algoritmo para la asignación de maquinarias a obras en la empresa

FACULTAD DE INGENIERÍA Y ARQUITECTURA
ESCUELA PROFESIONAL DE INGENIERÍA DE COMPUTACIÓN Y SISTEMAS
ALGORITMO PARA LA ASIGNACIÓN DE MAQUINARIAS A
OBRAS EN LA EMPRESA CONSTRUCTORA
ARAMSA CONTRATISTAS GENERALES S.A.C
PRESENTADA POR
JUAN EDUARDO RIVERA ORTEGA
ALBERTO ALONSO SANTILLANA ARRUNÁTEGUI
TESIS PARA OPTAR EL TÍTULO PROFESIONAL DE
INGENIERO DE COMPUTACIÓN Y SISTEMAS
LIMA – PERÚ
2015
Reconocimiento - No comercial - Compartir igual
CC BY-NC-SA
El autor permite transformar (traducir, adaptar o compilar) a partir de esta obra con fines no
comerciales, siempre y cuando se reconozca la autoría y las nuevas creaciones estén bajo una
licencia con los mismos términos.
http://creativecommons.org/licenses/by-nc-sa/4.0/
ESCUELA PROFESIONAL DE INGENIERÍA DE COMPUTACIÓN Y
SISTEMAS
ALGORITMO PARA LA ASIGNACIÓN DE MAQUINARIAS A
OBRAS EN LA EMPRESA CONSTRUCTORA ARAMSA
CONTRATISTAS GENERALES S.A.C
TESIS
PARA OPTAR EL TÍTULO PROFESIONAL DE INGENIERO DE
COMPUTACIÓN Y SISTEMAS
PRESENTADA POR
RIVERA ORTEGA, JUAN EDUARDO
SANTILLANA ARRUNÁTEGUI, ALBERTO ALONSO
LIMA – PERÚ
2015
Dedicatoria
Queremos dedicar este trabajo a Dios que
nos ha dado la vida y fortaleza
para
terminar este proyecto de investigación,
anuestros padres por estar ahí cuando
más los necesitamos; y a nuestras familias
por la constante cooperación que nos han
brindado.
Agradecimiento
Gracias a nuestras familias por todo el amor
que nos han brindado siempre y por el
esfuerzo que hicieron para que podamos
llegar a cumplir nuestras metas; también
agradecemos a nuestros amigos y a todas
las personas que nos ayudaron a que
podamos culminar la tesis.
ÍNDICE
Página
RESUMEN
xii
ABSTRACT
xiii
INTRODUCCIÓN
14
CAPÍTULO I
20
MARCO TEÓRICO
20
1.1.
Antecedentes
20
1.2.
Bases teóricas
25
1.3.
Definición de términos básicos
50
CAPÍTULO II
53
METODOLOGÍA
53
2.1.
Materiales
53
2.2.
Metodología de investigación científica
55
2.3.
Metodología para la implantación de la solución
61
CAPÍTULO III
65
DESARROLLO DEL PROYECTO
65
3.1.
Desarrollo del algoritmo
65
3.2.
Fases
76
3.3.
Desarrollo de la aplicación
78
CAPÍTULO IV
88
PRUEBAS Y RESULTADOS
88
4.1. Pruebas
88
4.2. Resultado
98
CAPÍTULO V
108
DISCUSIÓN Y APLICACIÓN
108
5.1.
Discusión
108
5.2.
Aplicación
110
v
CONCLUSIONES
111
RECOMENDACIONES
113
FUENTES DE INFORMACIÓN
115
ANEXOS
118
vi
ÍNDICE DE TABLAS
Página
Tabla N° 1 Variables de estandarización
29
Tabla N° 2 Criterio Evaluativo de Metodologías
41
Tabla N° 3 Variables de estandarización
44
Tabla N° 4 Resultados
46
Tabla N° 5 Diagrama de Gantt
47
Tabla N° 6 Requerimientos de Hardware
53
Tabla N° 7 Requerimientos de Software
53
Tabla N° 8 Equipo de Desarrollo
54
Tabla N° 9 SCRUM - Etapas
62
Tabla N° 10 Roles y responsabilidades
62
Tabla N° 11 Estructura de Datos
82
Tabla N° 12 Prueba caso 1
88
Tabla N° 13 Prueba caso 2
89
Tabla N° 14 Prueba caso 3
89
Tabla N° 15 Prueba caso 4
90
Tabla N° 16 Prueba caso 5
90
Tabla N° 17 Prueba caso 6
90
Tabla N° 18 Prueba caso 7
91
Tabla N° 19 Prueba caso 8
91
Tabla N° 20 Prueba caso 9
91
Tabla N° 21 Prueba caso 10
92
Tabla N° 22 Prueba caso 11
92
Tabla N° 23 Prueba caso 12
93
Tabla N° 24 Prueba caso 13
93
vii
Tabla N° 25 Prueba caso 14
93
Tabla N° 26 Prueba caso 15
94
Tabla N° 27 Prueba caso 16
94
Tabla N° 28 Prueba caso 17
95
Tabla N° 29 Prueba caso 18
95
Tabla N° 30 Datos Reales Vs Algoritmo
96
Tabla N° 31 Variables de Inicio en Load Test
97
Tabla N° 32 Cuadro de Factores de Éxito o Fracaso
97
Tabla N° 33 Cuadro de comparación
99
Tabla N° 34 Resultados de Casos de Pruebas
105
Tabla N° 35 Resultados de Pruebas de Stress
105
Tabla N° 36 Comparativo de algoritmos de optimización
106
Tabla N° 37 Cuadro comparativo Hipótesis
108
viii
ÍNDICE DE FIGURAS
Página
Figura N° 1 Tasa de crecimiento del sector de construcción
23
Figura N° 2 Restricciones de Programación Lineal
28
Figura N° 3 Formula Simplex
30
Figura N° 4 Formato de tablero Simplex
31
Figura N° 5 Método Simplex y Dos Fases
32
Figura N° 6 Pasos de algoritmo Branch and Bound
36
Figura N° 7 Ciclo de Vida de SCRUM
38
Figura N° 8 Proceso de SCRUM
39
Figura N° 9 Diagrama de actividades de desarrollo
64
Figura N° 10 Algoritmo General
71
Figura N° 11 Algoritmo – Fase ingreso de data
72
Figura N° 12 Fase conversión de obra
73
Figura N° 13 Fase asignación de maquinarias
74
Figura N° 14 Fase resultados
75
Figura N° 15 Modelo de Datos
79
Figura N° 16 Arquitectura Técnica
80
Figura N° 17 Diccionario de Base de datos
81
Figura N° 18 Pantalla de bienvenida
82
Figura N° 19 Formulario para la simulación
83
Figura N° 20 Resultado de la simulación
84
Figura N° 21 Gráficos del resultado de Simulación
84
Figura N° 22 Gráficos del resultado de Simulación
85
Figura N° 23 Gráficos del resultado de Simulación
85
Figura N° 24 Gráficos del resultado de Simulación
86
Figura N° 25 Formulario Mantenimiento de Maquinarias
86
ix
Figura N° 26 JavaScript de Google Maps
87
Figura N° 27Gráfica según diferencia por cantidad
99
Figura N° 28 Gráfica según diferencia por porcentaje
100
Figura N° 29 Resultado del aplicativo SPSS- Costo
100
Figura N° 30 Resultado del aplicativo SPSS- Distancia
101
Figura N° 31 Resultado del aplicativo SPSS- Tiempo
102
Figura N° 32 Comparación a nivel Distancia Real VS Algoritmo
109
Figura N° 33 Comparación a nivel Tiempo Real VS Algoritmo
109
x
INDICE DE ANEXOS
Página
Anexo N° 1 Resultado caso 1
119
Anexo N° 2 Resultado caso 2
120
Anexo N° 3 Resultado caso 3
121
Anexo N° 4 Resultado caso 4
122
Anexo N° 5 Resultado caso 5
123
Anexo N° 6 Resultado caso 6
124
Anexo N° 7 Resultado caso 7
125
Anexo N° 8 Matriz de consistencia
126
Anexo N° 9 Simulación de algoritmo Húngaro
127
Anexo N° 10 Product Backlog
128
Anexo N° 11 Spring Backlog
130
Anexo N° 12 US – CA - BDD Generar reporte de asignación
133
Anexo N° 13 Caso de prueba reporte de asignación
136
xi
RESUMEN
De la revisión de los modelos de Investigación Operativa (lineal, entera, no
lineal, heurístico) y algoritmos relacionados a la mejora de asignación de
recursos, se concluye que existe una escasez de algoritmos para la mejora
de la asignación de maquinarias de obras civiles en el Perú. El enfoque
actual de la empresa ARAMSA Contratistas Generales S.A.C. está basado
en una asignación manual con el archivo Excel. El objetivo de la tesis es el
desarrollo de un algoritmo para la mejora de asignación de maquinarias en
las obras civiles del sector de la construcción, bajo el modelo Heurístico.
Se ha probado la hipótesis que si se determina la reducción de costos de
desplazamiento en la asignación de máquinas a obras civiles con el modelo
heurístico; entonces, el margen de contribución total que perciba la empresa
será el máximo. El uso de este algoritmo pretende reducir los costos de
desplazamiento para llegar a una toma de decisiones. Se usó una muestra
de 20 obras.
Las principales conclusiones a que se arribaron es que para la realización de
un estudio de este tipo no se necesita grandes inversiones económicas ni
tecnológicas, pues contando con recursos limitados se ha logrado desarrollar
el presente estudio, que es el de brindar una herramienta útil y necesaria
para que las organizaciones puedan optimizar la utilización de sus recursos
y maximizar sus contribuciones y de esta manera cumplir con sus
obligaciones como tal.
Palabras Claves: Investigación operativa,asignación de maquinarias,
modelo Heurístico, sector construcción.
xii
ABSTRACT
A review of operations research models (Linear, Full, Nonlinear, Heuristic)
and related algorithms to improve resource allocation, it is concluded that
there is a dearth of algorithms to improve the allocation of civil works
machinery Peru. The current focus of the company above is based on a
manual assignment with the Excel file. The aim of the thesis is to develop an
algorithm to improve allocation of machinery for civil works in the construction
industry under the heuristic model.
It has tested the hypothesis that if the cost reduction is determined shift in the
allocation of civil works machines with the heuristic model; then the total
contribution margin received by the Company shall be the maximum. Using
this algorithm aims to reduce travel costs to reach a decision. A sample of 20
works was used.
The main conclusions were arrived is that for a study of this type no major
economic or technological investments needed , because with limited
resources have been able to develop this study , which is to provide a useful
and necessary for organizations to optimize the use of their resources and
maximize their contributions and thus fulfill their obligations as such.
Keywords: Operational research allocation machinery, Heuristic model,
construction sector.
xiii
INTRODUCCIÓN
La presenta tesis es una investigación que tiene por objetivo desarrollar un
algoritmo que sea capaz de optimizar la asignación de maquinarias a obras
en la constructora ARAMSA Contratistas Generales S.A.C.; la óptima
asignación de maquinarias es un problema a nivel mundial, dado que este
incurre en costos ocultos respecto a tiempo, distancia y recursos que a la
larga hacen daño a las empresas, así lo explica Lee (2010) las
organizaciones a nivel mundial destacan que una de las actividades más
importante en donde se debe mejorar las operaciones es en la planeación de
la producción. La asignación de trabajos a máquinas es una operación que
forma parte de la planeación y control de la producción de una empresa,
consiste en definir en qué máquinas se procesarán las órdenes requeridas
por los clientes. Debido a que es una operación fundamental en una
empresa, el tema ha llamado la atención a un gran número de
investigadores, los cuales han hecho diversas aportaciones a este tema.
Otro punto muy importante es la falta de sustento técnico y tecnológico que
tienen las empresas referente a la asignación de maquinarias y todas las
variables que incurren en esta decisión, esto lo señala Araujo (2010) al
realizar el análisis del proceso de asignación maquinarias a obras que
cuenta la empresa se detectó lo siguiente: la forma como se llevaba a cabo
la asignación de maquinaras a obras, existía una escasez de sustento
técnico científico valido, tal asignación eran determinadas por encargado un
archivo Excel y les era difícil considerar todos los criterios que involucran tal
asignación, por esta razón se ignoraba cual era la forma de asignación
óptima; por lo tanto, la contribución total que percibía la empresa en un
periodo determinado podría ser la máxima. Para dar solución al problema se
decidió formular un modelo heurístico que involucre todos los criterios
posibles para la asignación de máquinas a obras tomando en cuenta lo
siguiente:

La empresa debe optimizar la asignación de maquinarias.

Generar menor costo.
xiv
Mediante el presente trabajo se busca apoyar a las empresas del rubro de
construcción para que por medio de modelos y herramientas tecnológicas
optimicen la asignación de maquinarias y así puedan reducir costos, como lo
manifiesta Araujo (2010) es importante que las empresas mediana e
instituciones del estado que son las fuerzas generadoras de divisas en el
país, puedan implementar modelos similares al que se presenta, ya que se
necesita justamente la aplicación de la ciencia y la tecnología para optimizar
procesos y así ahorrar dinero que pueda ser invertido en sectores
necesitados.
Este trabajo presenta los siguientes capítulos:
En el capítulo I proporciona una descripción del estado actual del
conocimiento del problema, la información de utilidad para el desarrollo del
proyecto y las tecnologías relacionadas.
En el capítulo II se aborda una descripción de materiales, métodos,
actividades, mecanismos y/o herramientas utilizadas en el desarrollo del
proyecto.
En el capítulo III presenta la ejecución del capítulo anterior, donde se
utilizara las fases iterativas de la metodología Scrum, para poder desarrollar
nuestra investigación.
En el capítulo IV muestran las pruebas realizadas durante el desarrollo de
los proyectos alineados con los requerimientos funcionales definido.
Asimismo, se muestran los resultados luego de las pruebas los cuales
buscan confirmar las hipótesis propuestas.
En el capítulo V consiste en analizar e interpretar los resultados obtenidos.
1. Situación problemática
Escasez de algoritmos para la asignación óptima de maquinarias a obras en
empresas constructoras medianas en el Perú.
xv
2. Objetivos
2.1. Objetivos
Desarrollar un algoritmo para la asignación de maquinarias a obras en la
empresa constructora mediana ARAMSA Contratistas GeneralesS.A.C. que
mejore la asignación en base a tiempo, distancia y costo.
2.2. Objetivos Específicos
a) Elaborar el algoritmo para la asignación de maquinarias a obras en la
empresa constructora mediana ARAMSA Contratistas GeneralesS.A.C.
que mejore la asignación en base a tiempo, distancia y costo.
b) Probar el algoritmo para la asignación de maquinarias a obras en la
empresa constructora mediana ARAMSA Contratistas Generales S.A.C.
que mejore la asignación en base a tiempo, distancia y costo.
c) Afinar el algoritmo para la asignación de maquinarias a obras en la
empresa constructora mediana ARAMSA Contratistas Generales S.A.C.
que mejore la asignación en base a tiempo, distancia y costo.
3. Justificación
A continuación se describe brevemente aspectos importantes en cuanto a la
justificación del proyecto:
3.1. Justificación Teórica
Taha (1995) explicó lo siguiente: Al plantear un problema en investigación de
operaciones, se tiene la opción de utilizar un modelo matemático o un
modelo de simulación. Al utilizar un modelo matemático, este puede
ajustarse a un modelo común, por ejemplo de programación lineal, y
resolverse en una forma conveniente mediante técnicas matemáticas.
Debido a los avances en el desarrollo de herramientas de cómputo para la
solución de problemas de investigación de operaciones, es cada vez más
viable que se opte por utilizar un modelo matemático en aplicaciones reales,
inclusive cuando éstas manejan una gran cantidad de variables como es el
caso bajo estudio.
xvi
La contribución de la investigación radica en el uso de los modelos de
Investigación Operativa, para incursionar en la mejora de la asignación de
las máquinas de obras a construcciones dando beneficios como:
a) Permitir la toma de decisión más conveniente conforme a los recursos
disponibles y a los objetivos que se tratan de conseguir.
b) Lograr la abstracción de los componentes en una situación para poder
estructurarla como un modelo matemático.
c) Reducir el tiempo de búsqueda de una solución que se ajuste a los
objetivos propuesto.
3.2. Justificación Social
Araujo (2010) menciona que no se necesita grandes inversiones económicas
ni tecnológicas, contando con recursos limitados se puede lograr desarrollo
de una herramienta útil y necesaria para que las organizaciones pueden
mejorar la utilización de los recursos y maximizar sus contribuciones.
3.3. Justificación Económica
La empresaARAMSA Contratistas GeneralesS.A.C. no financiará el proyecto
mediante terceros.
Este proyecto informático de inversión que la empresa ARAMSA Contratistas
GeneralesS.A.C. está implementando internamente, tiene únicamente
variables de costos (inversión inicial, costos de operación los cuales pueden
ser: sueldos del personal, consumo de energía, mantenimiento del equipo y
otros materiales), lo cual quiere decir que el proyecto no generará ingresos
por sí mismo, pero es una inversión necesaria, ya que proporcionará una
enorme ayuda en el área de equipos; por lo tanto, como estamos al frente de
un proyecto informático que no genera ingresos por sí mismo, se utilizará el
método del criterio del valor presente de los costos y el de análisis
incremental.
xvii
a) Inversión del proyecto
La inversión inicial será de 15,000.00 Nuevos Soles referidos a muebles,
licencia de desarrollo y laptop. El proyecto se realizara en 4 meses los
cuales tendrán egresos de 7000.00 Nuevos Soles respectivamente, estos
referidos a personal y costos indirectos de la investigación; teniendo un total
de inversión de 43,000.00 Nuevos Soles.
b) Resultados
Se ha realizado pruebas referentes a obras de la empresa ARAMSA
Contratistas Generales S.A.C. de un periodo de 44 meses equivalentes a 20
obras, teniendo como resultado una comparación de asignación de
maquinarias reales versus asignación de maquinarias con nuestro proyecto,
teniendo las siguientes cifras, tanto mensuales, anuales y por los 44 meses:
Podemos notar que con nuestro proyecto la asignación de maquinarias en
las 20 obras ha sido más eficiente, teniendo una reducción de costos de
71927.84 Nuevos Soles.
c) Proyección
Para la proyección del proyecto hemos adquirido información básica
financiera de la empresa ARAMSA Contratistas GeneralesS.A.C. para poder
realizar los cálculos necesarios.
Nuestras variables de decisión son el margen de contribución, el costo
variable, valor de venta, incremento de ventas, inversión del proyecto,
ingresos y ahorros.
Teniendo un margen de contribución de 42%, factores de ingresos de
fidelización de clientes de 1% y nuevas ventas de 1%, además de ahorros
de combustible de 19617.00 Nuevos Soles anuales y penalidades por falta
de cumplimiento de 1% referente a las ventas, llegamos a un flujo de caja
anual de 204630.00 Nuevos Soles, proyectado a 5 años.
xviii
Tasa de rendimiento incremental o valor actual neto incremental
VS = 0
0
S/ 43,000
1
2
3
S/ 204,630
S/ 204,630
S/ 204,630
4
S/ 204,630
5
S/ 204,630
Tasa mínima de rendimiento anual (TMRA) = 10%
VAN = - 43,000 + 204,630 +
(1+0.25)1
(1+0.25)2
204,630
(1+0.25)3
+
204,630 + 204,630
(1+0.25)4
+ 204,630
(1+0.25)5
VAN = s/. 732,710.00
: Como VAN > 0, el proyecto informático es rentable
TIR incremental de la inversión:
0
= - 43,000 + 204,630
(1+TIRi)1
(1+ TIR)2
+
(1+ TIR)3
204,630
+ 204,630
(1+ TIR)4
+
204,630
+ 204,630
(1+ TIR)5
TIR = 476 %
: Como TIR> 0, el proyecto informático es rentable
ROI
Valor presente = S/. 775,710.00
Inversión = S/. 43000.00
ROI = (775,710 - 43,000)
* 100
= 1704%
43,000
Nuestro proyecto tiene un valor actual neto de inversión de 732710.00
Nuevos Soles y una tasa interna de retorno de 476%, haciéndolo un
proyecto muy rentable, además de tener un retorno de inversión de 1704%.
xix
CAPÍTULO I
MARCO TEÓRICO
1.1.
Antecedentes
Las organizaciones a nivel mundial destacan que una de las actividades más
importantes en donde se debe mejorar las operaciones es en la planeación
de la producción, y un punto vital es la asignación de maquinaria, respecto al
rubro de construcción.
Araujo(2010) explicó que las empresas del sector construcción, secundario
o Industrial (construcción, maderera, textil, papelera, entre otros) y terciario o
de servicios (bancos, seguros, trasporte, hotelería, entre otros), en especial
de los países desarrollados, dada la escasez inminente y encarecimiento de
algunos recursos básicos para su funcionamiento; se encuentran aplicando
hoy, técnicas de investigación operativa como la programación lineal,
programación no lineal, programación estocástica, métodos de redes CPMPERT, métodos numéricos, teoría de juegos y la simulación entre otras más
para resolver problemas de programación de la producción, con la finalidad
de optimizar sus recursos como tiempo, materiales , personal, e incrementar
de esta manera sus contribuciones e igualmente reducir sus costos.Debido a
la demanda del mercado en el sector de construcción, y a las oportunidades
que este ofrece, es imperioso que las empresas apliquen principios y
criterios técnicos, para asegurar un producto de calidad confiable y alta
durabilidad, optimizando procesos, minimizando desperdicios de materia
prima y recurso humano.
En la empresa en estudio no se ha realizado ningún estudio referente a
asignación óptima de recursos, más aun de la asignación de máquinas a
órdenes de producción. Se ha encontrado estudios de otras empresas pero
del tipo de asignación de máquinas mediante la Programación Lineal Entera
Binaria.
En esta sección se explica las investigaciones previas que se realizaron
sobre la asignación óptima de recursos, además de la investigación
operativa. Por tal motivo se plantea implementar una lógica de optimación de
recursos para la asignación de máquinas de construcción a fin de asignar.
20
Keys (2011) explicó:
La investigación Operativa es una tecnología, pero no en el sentido de
modelo clásico de ciencia-tecnológica, que considera esta última
como una ciencia aplicada, sino un marco de modelo nuevo. También
explicó que La Investigación Operativa como la aplicación del método
científico a mejorar la efectividad de operaciones, las decisiones y la
gestión. (p. 222).
Arbones (2010) explicó:
En un mercado competitivo, como es el industrial, deben analizarse
todos los caminos hacia la reducción de los costos. El éxito de la
aplicación de una técnica de optimización requiere el reconocimiento y
formulación del problema y el uso adecuado de la respuesta provista
de la solución.(p. 52).
Araujo (2010) dio a conocer que en la actualidad la utilización de aplicativos
tecnológica que asignen de manera óptima máquinas de obras en empresas
en el sector de construcción existe en grandes empresas corporativas. Si
nos acercamos más a nuestro continente, los países que cuentan con
soluciones similares a la mencionada son muy pocos, pero que se deben
tomar como ejemplos a seguir.
Cidrás (2011) señaló lo siguiente:
El problema de la asignación de aulas para exámenes de un centro
universitario que sufre distintas restricciones espaciales, temporales y
de recursos humanos. En concreto, en este trabajo las restricciones y
consideraciones que se tienen en cuenta en la asignación de aulas
para exámenes son: a) existencia de aulas con distintas capacidades,
b) materias con distinto número de alumnos, c) días con otras
actividades en el centro, d) exámenes En sábado sólo en caso
excepcional, y e) las materias con mayor número de alumnos deben
tener un mayor tiempo para su evaluación. Por la extensión y
complejidad del problema. Cabe señalar que el trabajo se encuadra
dentro de las actuaciones que la Dirección de la E.T.S. de Ingenieros
21
Industriales de Vigo está llevando a cabo en la gestión y mejora de la
actividad docente. Se ha desarrollado un algoritmo genético para
solucionar el problema de asignación de aulas para exámenes en un
centro universitario donde existentes restricciones de espacio y de
días. Los resultados han demostrado que estos problemas pueden ser
resultados eficazmente mediante métodos heurísticos. (p.12).
Azcárate, ErasoyGáfaro (2012), explicaron lo siguiente:
Ciencias de la Salud, tanto en el campo de la organización y gestión
de recursos sanitarios como en el campo de la prevención, detección
y tratamiento de enfermedades. Este artículo introduce una disciplina
llamada Investigación Operativa (IO), que engloba una serie de
modelos y métodos matemáticos que proporcionan apoyo científico
para la toma de decisiones. Las herramientas de IO más conocidas y
más utilizadas en la práctica son la simulación y la optimización. Uno
de
los
métodos
más
usados
para
medir
la
eficiencia
en
organizaciones sanitarias es el análisis envolvente de datos (Data
EnvelopmentAnalisis, DEA) que se basa en modelos de programación
lineal. La Investigación Operativa proporciona un conjunto de
herramientas útiles para el análisis de problemas de gestión de
recursos sanitarios, permitiendo explorar los efectos de distintas
políticas y proporcionando medios para la toma de decisiones
médicas. (p.23)
Huerta (2012) indicó que el Perú vive desde fines de la última década del
siglo XX, un sostenido crecimiento de la industria de la construcción,
impulsado, sobre todo, por el aumento de los ingresos económicos de los
hogares, las mayores inversiones públicas y privadas, ambas consecuencia
directa del crecimiento económico y, asimismo, por la mejora de las
condiciones de financiamiento para la adquisición de vivienda públicas. Se
trata, sin duda, del duradero boom del sector inmobiliario peruano, cuyo
epicentro es Lima Metropolitana.
22
Figura N° 1 Tasa de crecimiento del sector de construcción
Fuente: BCRP (2012). Sector Construcción (p.1)
Huerta (2012) resaltó que el Perú vive desde fines de la última década del
siglo XX, un sostenido crecimiento de la industria de la construcción,
impulsado, sobre todo, por el aumento de los ingresos económicos de los
hogares, las mayores inversiones públicas y privadas, ambas consecuencia
directa del crecimiento económico y, asimismo, por la mejora de las
condiciones de financiamiento para la adquisición de vivienda públicas. Se
trata, sin duda, del duradero boom del sector.
Laurenco (2002), explicó lo siguiente:
Las decisiones sobre la asignación de recursos en diversos ámbitos son
problemas altamente complejos y que requieren modelos y métodos
sofisticados para su solución e implementación. Entre estos modelos, el
Modelo de Asignación Generalizada consiste en asignar un conjunto de
tareas a una serie de recursos con un coste total mínimo del sistema. Cada
recurso tiene una capacidad limitada y cada tarea debe ser asignada a uno y
solo a un recurso, requiriendo una cierta cantidad de esta capacidad. Este
modelo tiene diversas aplicaciones en el ámbito industrial, logístico,
sanitario, etc. Se propone una heurística adaptativa basada en sistemas
GRASP
(greedyrandomizedadaptivesearchheuristic)
y
MMAS
(Max-
MinAntSystem) para la resolución de este tipo de problemas. La ventaja de
23
este método consiste en la fácil adaptación a nuevas restricciones o
condiciones del problema al modelo y método de resolución, no siendo
necesario reformular el problema. También se presentan resultados
computacionales que demuestran que estos métodos son de los más
eficientes de los conocidos hasta el momento, seguidas por observaciones
concluyentes. (p.22).
Sánchez (2012), explicó lo siguiente:
El Problema de Asignación Generalizada (PAG) es un modelo muy
conocido en el ámbito de Investigación de Operaciones (IO), el cuál
trata de asignar óptimamente un número de tareas a un grupo de
agentes o máquinas y cuando esta tarea es otorgada y desarrollada
por un solo agente o máquina (en varias extensiones se ha aplicado
en sistemas de distribución computacional, asignación de trabajos en
redes de telecomunicación, resolviendo diversas localizaciones, rutas
de transporte y calendarización de horarios. Debido a que hay un
amplio rango de aplicación modelado en eventos de la vida real, este
modelo ha ganado más atención en la comunidad de IO. (p.62).
Sánchez (2012), también manifestó que el estudio que se llevó a cabo y que
se redacta en este artículo es la resolución de diferentes instancias con la
Heurística de Martello y Toth, aunque existen otro tipo métodos que pueden
ayudarnos a resolver este tipo de problema como el conjunto de heurísticas
de particionamiento, Relajación LaGrangeana y Programación Lineal basada
en heurísticas; Metaheurísticas de solución aproximada como TabuSearch,
Recocido Simulado, Algoritmos Genéticos, Colonia de hormigas, GRASP y
Búsqueda Profunda de Variables; y métodos exactos como el análisis del
Poliedro, Algoritmos de Ramificación y Acotamiento, Ramificación y Precio, y
Ramificación y corte.
24
1.2.
Bases teóricas
1.2.1. Investigación operativa
Taha (2004) mencionó que
las primeras
actividades formales de
investigación de operaciones se dieron en Inglaterra durante la Segunda
Guerra Mundial, cuando se encomendó a un equipo de científicos ingleses la
toma de decisiones acerca de la mejor utilización de materiales bélicos. Al
término de la guerra, las ideas formuladas en operaciones militares fueron
adaptadas para mejorar la eficiencia y la productividad en el sector civil. Hoy
en día, la investigación de operaciones es una herramienta dominante e
indispensable para tomar decisiones. Un elemento principal de la
investigación de operaciones es el modelado matemático. Aunque la
solución del modelo matemático establece una base para tomar una
decisión, se deben tener en cuenta factores intangibles o no cuantificable.
En la investigación de operaciones no se tiene una sola técnica general con
la que se resuelvan todos los modelos matemáticos que surgen en la
práctica. En lugar de ello, la clase y la complejidad del modelo matemático
determinan la naturaleza del método de solución.
Las fases principales de la implementación de la investigación de
operaciones en la práctica comprenden:
a) La definición del problema que implica definir el alcance del problema
que se investiga
b) La Construcción del modelo en el que se traduce la definición del
problema a relaciones matemáticas.
c) La solución del modelo esla fase más sencilla de todas las de la
investigación de operacionesporque supone el uso de algoritmos bien
definidos de optimización.
d) La validación del modelo que comprueba si el modelo propuesto hace
lo que se quiere que haga, pudiendo saber si nuestro modelo es el
adecuado con el comportamiento del sistema que se estudia.
25
e) La implantación de la solución que implica la traducción de los
resultados
a
instrucciones
de
operación,
emitidas
en
forma
comprensible para las personas que administrarán al sistema
recomendado.
1.2.2. Optimización
Ramos(2010) explicó que la optimización es una parte relevante dentro de la
Investigación Operativa, consiste en la selección de una alternativa mejor, en
algún sentido que las demás alternativas posibles, es un concepto inherente
a toda la Investigación Operativa, sin embargo, determinadas técnicas
propias de la Investigación Operativa se recogen bajo el nombre de
optimización
o
programación
matemática.Resolver
un
problema
de
optimización consiste en encontrar el valor que deben tomar las variables
para hacer óptima la función objetivo satisfaciendo el conjunto de
restricciones.
Ramos (2010) explicó que los problemas de optimización se componen
generalmente de tres componentes:
Variables: Representan las decisiones que se pueden tomar para afectar el
valor de la función objetivo. Desde un punto de vista funcional se pueden
clasificar en variables independientes o principales o de control y variables
dependientes o auxiliares o de estado, aunque matemáticamente todas son
iguales. En el caso de un sistema eléctrico serán los valores de producción
de los grupos de generación o los flujos por las líneas. En el caso de la
venta, la cantidad de cada producto fabricado y vendido. En el caso de la
fabricación de un producto, sus dimensiones físicas.
Función objetivo: Es la medida cuantitativa del funcionamiento del sistema
que se desea optimizar (maximizar o minimizar). Como ejemplo de funciones
objetivo se pueden mencionar: la minimización de los costes variables de
operación de un sistema eléctrico, la maximización de las contribuciones
netos de venta de ciertos productos, la minimización del cuadrado de las
desviaciones con respecto a unos valores observados, la minimización del
material utilizado en la fabricación de un producto, etc.
26
Restricciones: Representan el conjunto de relaciones (expresadas mediante
ecuaciones e inecuaciones) que ciertas variables están obligadas a
satisfacer. Por ejemplo, la potencia máxima y mínima de operación de un
grupo de generación, la capacidad de producción de la fábrica para los
diferentes productos, las dimensiones del material bruto del producto, entre
otros.
1.2.3. Métodos de optimización
Ramos (2010) mencionó que no existe ningún método de optimización que
pueda resolver eficientemente todo tipo de problemas y de ahí que se hayan
desarrollado diversos métodos a lo largo de los años, a los métodos de
optimización también se les llama programación matemática.
a)
Métodos clásicos:
Que son los que habitualmente se explican en los libros de Investigación de
Operaciones y se encuentran:

Programación Lineal

Programación Lineal Entera

Programación Lineal Entera Mixta

Programación estocástica

Programación dinámica

Métodos híbridos
De forma muy general y aproximada se puede decir que los métodos
clásicos buscan y garantizan un óptimo local.
b)
Métodos Metaheurísticos
Ramos (2010) explicó que aparecieron ligados a lo que se denominó
inteligencia artificial y se incluyen los algoritmos evolutivos (genéticos entre
otros), el método del recocido simulado o las búsquedas heurísticas método
tabú, búsqueda aleatoria, entre otros. Los métodos metaheurísticos tienen
mecanismos específicos para alcanzar un óptimo global aunque no
garantizan su alcance.
27
1.2.4. Programación lineal
Álvarez (2011) conceptualiza de la siguiente manera: Es una técnica de
optimización que consiste en la maximización o minimización de una función
lineal, llamada función objetivo, sujeta a restricciones también lineales. El
criterio de optimización es por lo general un objetivo económico, por ejemplo
maximizar un beneficio o minimizar un costo y por esta razón recibe el
nombre de función económica o función objetiva. Los modelos de
Programación Lineal son más utilizados que todos los otros tipos de
optimización y abarcan cualquier tipo de actividad humana como micro y
macroeconomía, finanzas, marketing, economía de la energía, organización
de la producción, planificación de la operación, selección de procesos,
asignación de tareas, ingeniería química, forestal, agrónoma, comercio
internacional, desarrollo económico y muchos otros más. Los problemas de
Programación Lineal se componen generalmente de estos tres ingredientes:
a) Variables: Las variables representan valores reales mayores o iguales a
cero.
b) Función objetivo: Conjunto de variables mayores o iguales a cero que
nos proporcionan una ecuación la cual dará una solución lineal.
c) Restricciones: Las restricciones pueden ser de la forma:
Figura N° 2 Restricciones de Programación Lineal
Fuente: Alvares (2011). Programación Lineal.
En las ecuaciones anteriores
, son valores que se asumen
conocidos; y el problema consiste en hallar los valores de las, que optimicen
28
la función sujeta a las restricciones, las variables se llaman variable de
decisión.
Forma Estándar de Problema de Programación Lineal
En la forma estándar todas las restricciones se expresan como igualdades
agregando variables de holgura o restando variables de exceso, para mayor
detalle consúltese: Winston (p. 135), a modo resumen podemos dejar la
Tabla (I.5), según la desigualdad que aparezca, y con el valor que deben
estar las nuevas variables.
Tabla N° 1 Variables de estandarización
Fuente: Winston (2012)- Programación Lineal
Luego de haber estandarizado el modelo, puede ocurrir que necesitemos
aplicar el método Simplex o el de las Dos Fases para dar solución al
Problema de Programación Lineal.
1.2.5. Métodos de solución de programación lineal
a) El método Gráfico o Geométrico
Saada (2011) explicó que el método gráfico se utiliza para la solución de
Problemas de Programación Lineal, representando geométricamente a las
restricciones, condiciones técnicas y el objetivo; un modelo de Programación
Lineal se puede resolver en forma gráfica si sólo tiene dos variables, para
modelos con tres o más variables, el método gráfico es impráctico o
imposible.
29
b) El Método Simplex
Saada (2011) explicó que el método del simplex fue creado en 1947 por el
matemático George Dantzig. El álgebra matricial y el proceso de eliminación
de Gauss-Jordan para resolver un sistema de ecuaciones lineales
constituyen la base del método simplex. Para resolver un problema
representado mediante un modelo estandarizado de Programación Lineal
como el siguiente:
Maximizar o Minimizar:
Sujeto a
Figura N° 3 Formula Simplex
Fuente: Programación Lineal, Método Simplex.
Se utiliza el tablero Simplex Tabla para las iteraciones y darle solución al
Problema Lineal.
30
Figura N° 4 Formato de tablero Simplex
Fuente: Programación Lineal, Método Simplex.
c) El Método de dos fases y el método M
Winston (2011) explicó que el conocido como el método Simplex de Dos
Fases. Cuando no es posible obtener en el problema inicial una base factible
se agrega variables artificiales y se usa el método de Dos Fases o el método
M para buscar la solución óptima.
31
Figura N° 5 Método Simplex y Dos Fases
Fuente: Winston (2012). Método Simplex y Dos Fases (p.1).
32
1.2.6. Programación linealentera
Winston (2012) conceptualizó de la siguiente manera: un problema de
Programación Entera es un PL en el cual algunas de las variables, o todas,
tienen que ser números enteros no negativos. El problema que se obtiene al
omitir todas las restricciones enteras o 0-1 para las variables, se llama la
relajación programación lineal de programación entera. Parece sensato
calcular la solución de un problema de programación entera redondeando la
solución de la relajación del problema de programación lineal, pero el
redondeo no es aconsejable debido a:
i) La solución redondeada no es necesariamente óptima. En muchos casos,
ni siquiera estará cerca del óptimo.
ii) La solución redondeada puede no ser factible.
No siempre es admisible que las variables de un Problema de Programación
Linealtomen valores continuos, para dar solución a este tipo de problemas
se han creado métodos.
Saada (2011) mencionó que los “Métodos de Programación Lineal esta está
divido o métodos en Grafico o Geométrico, Simplex y de dos fases y el
método M.”(P. 26)
De acuerdo a sus características específicas los problemas de programación
lineal entera pueden ser:
Programación lineal entera mixta:
Un Problema es de Programación Lineal Entera Mixta cuando solamente
algunas de las variables toman valores enteros, los algoritmos mediante los
cuales se busca la solución de estos problemas son:
i.
Enumerativos

Branch and Bound

Balas, entre otros.
ii. De descomposición dual
33


Benders, Otros
Programación lineal entera binaria (si-no)
Un problema es de Programación Lineal Entera Binaria cuando las
variables toman valores cero o uno.

Programación lineal entera pura
Un Problema es de Programación Lineal Entera Pura cuando todas las
variables toman únicamente valores enteros.
1.2.7. Algoritmos de solución de problemas de programación
lineal entera
Es el conjunto de problemas de programación lineal para los cuales todas o
parte de sus variables pertenecen a los números enteros. A continuación
mencionares algunas soluciones.
Enumerativos
Araujo (2010) explicó que estos algoritmos “obtienen la solución en base a
enumerar, implícita o explícitamente, todas las soluciones posibles,
escogiendo la mejor de todas ellas.”(p.45).

Enumeración explícita: al calcular
todas las posibles soluciones y
escoger la mejor de ellas, este método tiene graves inconvenientes
debido a la gran cantidad de tiempo que requiere enumerar, y hacer
cálculos de todas las posibles soluciones factibles e infactibles.

Enumeración Implícita: Aplicar un conjunto de reglas para evitar
enumerar soluciones infactibles o peores que la mejor solución
factible que se haya localizado hasta el momento.
La familia de algoritmos enumerativos más importante es la de los algoritmos
Branch and Bound, prácticamente todos los software de programación
enteraestán basados en un algoritmo del tipo Branch and Bound, los cuales
se suele interpretar como un árbol de soluciones, donde cada rama nos lleva
a una posible solución posterior a la actual. La característica de esta técnica
34
con respecto a otras anteriores (y a la que debe su nombre) es que el
algoritmo se encarga de detectar en qué ramificación las soluciones dadas
ya no están siendo óptimas, para «podar» esa rama del árbol y no continuar
malgastando recursos y procesos en casos que se alejan de la solución
óptima.
Algoritmo Branch and Bound
El primer paso para la resolución de un modelo de Programación Lineal
Entera es resolver, mediante el método Simplex, el Problema Lineal
Asociado, si la solución así obtenida es entera, habremos encontrado la
solución del modelo de Programación
Lineal Entera. En caso contrario, la solución obtenida es una primera
aproximación a la solución del modelo.
El algoritmo Branch and Bound, muestra un procedimiento que permite, a
partir del problema lineal asociado, ir explorando las soluciones enteras
hasta encontrar el óptimo del modelo de Programación Lineal Entera.
Se trata de ir añadiendo restricciones al programa lineal asociado hasta
encontrar la solución entera óptima. Para ello se procede en dos pasos:
ramificación (Branch) y acotamiento (Bound).
A continuación, se presenta el algoritmo Branch and Bound descompuesto
en pasos:
Paso 0: Resolver el problema lineal asociado (PLA) al problema entero:
misma función objetivo y restricciones, pero variables no enteras.
Paso 1: Si la solución obtenida es entera: finalizar. La solución óptima será
aquella solución entera con mejor valor de la función objetivo.
Si no, ir al paso 2.
35
Paso 2: Escoger una variable básica cuyo valor en la solución no sea entero.
Paso3: Ramificación: resolver dos nuevos problemas lineales.
Al primero se le añade la restricción:
máximo entero
Al segundo añadiremos la restricción:
donde
significa el
mayor entero contenido en.
Paso4: Acotación: de los dos problemas, escoger aquel que dé como
resultado un valor mejor de la función objetivo.
Paso 5: Ir a paso 1.
Figura N° 6 Pasos de algoritmo Branch and Bound
Fuente: Winston (2012). Método Branch and Bound.
36
1.2.8. Método heurístico
Robusté (2009) mencionó que un método Heurístico es cualquier principio
que contribuya a hallar una solución a un problema de manera más eficiente
Estos algoritmos se basan en guías, justificadas o no, que ayudan a
algoritmos conocidos a producir mejore resultados o a ser más eficientes,
también pueden constituir por si mimos algoritmos propios para la resolución
de problemas. Entre los métodos heurísticos se incluyen los que, partiendo
de una solución abstracta del problema, la modifican en función de la
experiencia y el juicio para poder aplicarla en la práctica. Así, un modelo
heurístico busca las alternativas consideradas practicas sin garantizar la
obtención de la solución óptima, aún frecuente se producirán soluciones muy
cercanas a la misma.
Uno de los métodos heurísticos clásicos para determinar el número y
ubicación de almacenes, dentro de una red de distribución de gran escala,
es el de Kuchn-Hamburger(1963). Es un modelo de simulación que incluye
reglas heurísticas siguientes para reducir la dificultad combinatoria del
problema y guiar el modelo a la solución, las cuales consisten en las
ubicaciones más probables son aquellas en las que se concentra la
demanda, o que están cerca de dichas concentraciones y para poder
determinar el almacén a añadir, sólo se necesita evaluar una pequeña parte
de todas las posibles ubicaciones.
Este método heurístico permite tratar diferentes tipos de productos, costes
de almacén fijos y variables, capacidad de los almacenes, efectos de los
tiempos de entrega sobre el servicio al cliente, tarifas de transporte reales,
etc. Generalizaciones todas ellas que acercan el modelo realidad, a costa de
exigir menor precisión en la solución.
1.2.9. Scrum
Cohn (2010) mencionó que Scrum es una metodología ágil para gestionar
proyectos de software que proporciona una manera sencilla de manejar
problemas complejos mediante un marco de trabajo capaz de soportar la
innovación y permitir la entrega de resultados de alta calidad en tiempos
reducidos por parte de equipos auto-organizados ya que en lugar de estar
37
basada en el seguimiento de un plan se basa en la adaptación continua a las
circunstancias de la evolución del proyecto.
Cohn (2010) indica que cada ciclo de desarrollo es una iteración, también
llamado sprint, que genera un incremento terminado y operativo del
producto. Estas iteraciones son la base del desarrollo ágil, mediante
reuniones breves y diarias. Scrum gestiona la evolución del proyecto, en
estas reuniones todo el equipo da seguimiento al proyecto revisando el
trabajo realizado desde la reunión anterior y prevé el trabajo hasta la reunión
siguiente.
Figura N° 7 Ciclo de Vida de SCRUM
Fuente: Cohn Mike (2010). Software Development using SCRUM (p.9)
Álvarez (2011) resaltó que “El inicio del desarrollo de Scrum empieza desde
la visión general del producto, detallando solo las funcionalidades a
desarrollar primero por ser priorizadas por el beneficio que aportan al
receptor del proyecto y por poder llevarse a cabo en un periodo breve de
tiempo.”(p.6).
38
1.2.9.1.
Proceso
Bajo la metodología Scrum un proyecto se ejecuta en iteraciones o Sprint,
cada sprint genera un resultado operativo, un incremento de producto final
que es susceptible de ser entregado con el mínimo esfuerzo al cliente
cuando lo solicite.
Con el ProductBacklog actuando como plan del proyecto se inicia el proceso,
el cliente prioriza en el ProductBacklog los objetivos balanceando el valor
que le aportan respecto a su coste y repartiéndolos en iteraciones y
entregas. Regularmente el cliente puede maximizar la utilidad de lo que se
desarrolla y el retorno de inversión mediante la replanificación de objetivos
que realiza al inicio de cada iteración.
Las actividades que se llevan a cabo en Scrum son la Planificación de la
iteración, ejecución de la iteración y la inspección y adaptación.
Figura N° 8 Proceso de SCRUM
Fuente: López Juan (2012). http://www.proyectosagiles.org/que-es-scrum
39
1.2.9.2.
Roles
Existen 3 tipos de roles en todo proyecto con SCRUM:

ProductOwner: Existe solo uno en el proyecto y es aquella persona
conocedora del entorno del negocio del cliente y de la visión del
producto. Tiene como responsabilidad el ProductBacklog, representar
a todos los interesados en el producto final, obtener el mayor valor
posible para los usuarios o clientes, la financiación necesaria para el
proyecto, decidir cómo debe ser el resultado final, del lanzamiento y
del entorno de la inversión.

TeamMembers: Se trata del equipo de desarrollo, incluyendo al
ProductOwner, quienes son un equipo multidisciplinario con las
habilidades
necesarias
para
generar
el
resultado,
tienen
la
responsabilidad de auto-gestionar, auto-organizar y disponer de
atribuciones suficientes en la organización para tomar decisiones
sobre cómo desempeñar su trabajo.

Scrummanager: Es el responsable del funcionamiento de Scrum en el
proyecto cubriendo los aspectos que la organización requiera en función
del conocimiento, experiencia con el modelo:
 Formación al ProductOwner y equipo de trabajo.
 Revisión y validación del ProductBacklog
 Moderación de las Reuniones.
 Resolución de impedimentos que en el Sprint puedan entorpecer
la ejecución de las tareas.
 Gestión de la “dinámica de grupo” en el equipo
 Respeto de la organización y los implicados, con las pautas de
tiempos y formas de Scrum.
 Configuración, diseño y mejora continua de las prácticas de
Scrum en la organización.
40
1.2.9.3.

Elementos
ProductBacklog: Se encuentra situado en el área de requisitos o
necesidades, que en la ingeniería de software tradicional cubre los
requisitos del sistema o “Concept of Operation” del negocio desde la
perspectiva del cliente. Es el inventario de funcionalidades, mejoras,
tecnología y corrección de errores que deben incorporarse al producto
a través de las sucesivas iteraciones de desarrollo, se trata de una
lista de requisitos priorizada que representa la visión y expectativas
del ProductOwner respecto a los objetivos y entregas del producto o
proyecto.

Sprint backlog: En el Sprint Planning el equipo elabora el Sprint
Backlog,
se trata pues de una
lista que
descompone las
funcionalidades del ProductBacklog en las tareas necesarias para la
construcción de un incremento, es decir, de una parte completa y
operativa del producto. A cada persona se le asignan las tareas que
va a realizar al igual que el tiempo estimado para su realización, esto
facilita identificar aquellas tareas en las cuales el equipo está teniendo
problemas y no avanza según lo esperado, de esta manera tomar una
decisión al respecto es más sencillo.
Tabla N° 2 Criterio Evaluativo de Metodologías
Criterio Evaluativo
SCRUM AUP XP
Roles, responsabilidades y conocimientos técnicos
claramente definidos
5
5
5
5
5
5
4
4
3
requerimientos y pruebas.
5
4
5
Seguimiento y control diario en base a resultados.
5
4
4
Reduce el costo de cambio
4
5
4
Permite introducir cambios en la iteración en curso
5
4
5
Actividades y entregables bien definidos, necesarios
para el desarrollo del software.
Generar entregable con testing satisfactorio e integrado
con el resto de las funciones al finalizar cada iteración
Cliente es parte del equipo, responde consultas,
planifica iteraciones y colabora con la escritura de
41
Requiere solo documentación necesaria al inicio de
cada iteración
5
4
3
iteración
5
5
4
Puntaje Obtenido
43
40
38
Permite la oportuna toma de decisiones correctivas en la
Fuente: Elaboración propia
Evaluando este cuadro se puede observar que al conseguir mayor puntaje
(43) se escoge SCRUM como la metodología ágil a utilizar.
1.2.10.
Investigaciones relacionadas
1.2.10.1. Investigaciones relacionadas N°1
Restrepo (2011), Aplicación de la heurística de Gupta en la secuenciación de
"n" tareas en m máquinas: un caso de estudio
Objetivo
Optimizar la medida de desempeño que frecuentemente se utiliza es
la optimización del tiempo total de proceso de todas las tareas o
trabajos en todas las máquinas, pero se puede pensar también en la
tardanza máxima, tardanza promedio o mínimo número de trabajos
tardíos entre otras.
Población

El problema del Flow Shop
Hay m máquinas en serie. Cada trabajo tiene que ser procesado en
cada una de las m máquinas. Cada trabajo tiene que seguir la misma
ruta. Por ejemplo, primero en la máquina 1, luego en la máquina 2 y
así sucesivamente. Después de la terminación en una máquina, un
trabajo es unido a la cola de la siguiente máquina. Usualmente todas
las colas son asumidas con la disciplina de primero en llegar primero
en ser atendido FIFO. Si la disciplina FIFO está en el efecto del
42
FlowShop, es referida como una permutación Flow Shop y el campo B
incluye la entrada prmu.
Muestra

10 tareas

5 maquinarias
Hipótesis

El patrón de llegada de los trabajos: si "n" tareas llegan
simultáneamente al taller y quedan disponibles para iniciar su
proceso tendremos un problema de programación estática. Si
las tareas llegan intermitentemente, posiblemente de acuerdo a
un proceso estocástico, el problema de programación es
dinámico.

El número de máquinas que integran el taller: Existe un
problema
de
secuenciación
programados en máquinas.
Variables

Tiempo de proceso

Fecha de llegada

Fecha de entrega

Importancia o peso
Indicadores

Tiempo de terminación o Cmáx
Análisis de resultados

Cmáx = 93
43
cuando
"n"
trabajos
son
Tabla N° 3 Variables de estandarización
MÁQUINA
TAREA
1
2
3
4
5
3
7
13
16
17
27
5
10
15
20
22
31
6
20
28
35
45
53
2
30
34
44
54
62
7
39
40
54
58
66
10
45
46
61
65
70
8
55
60
69
70
75
1
58
67
72
75
77
9
66
69
81
85
86
4
68
72
82
92
93
Fuente: Restrepo, J. (2011), Programación Lineal

El flujo de producción: el flujo de proceso de las tareas a través de las
máquinas debe ser especificado, si todas las tareas siguen la misma
ruta el flujo de producción es continuo o en serie. En el extremo
opuesto, donde no existe una ruta preconcebida de procesos se tiene
un taller cuyo flujo de producción es aleatorio. Los trabajos pueden
ser independientes unos de otros, o bien interdependientes. Cuando
se mezclan los diferentes tipos de flujos de producción, los de serie
con los aleatorios, existen rutas generales de proceso.
Conclusiones

La heurística es una herramienta amigable, que permite encontrar
rápidamente soluciones sin realizar exhaustivos cómputos.
Recomendaciones

En la práctica se requieren de herramientas que sean fáciles de
entender y manipular. Día a día se requieren hacer
44
programaciones y programaciones, donde el cliente requiere
oportunamente una promesa de entrega.
1.2.10.2. Investigaciones relacionadas N°2
Ballesteros (2013), Aplicación de una heurística constructiva en
programación secuencial para asignación de varios trabajos a varias
máquinas en paralelo
Objetivo

Reducción del inventario en proceso, porcentaje de utilización
del equipo, cumplimiento de los plazos de entrega entre otros.
Población

Ambiente de producción: taller
Incluye las definiciones como operación, trabajo, tarea, orden de
operaciones, secuencia tecnológica y ruta; y los factores que están
relacionados con el conjunto de recursos, la naturaleza de las tareas,
secuencia tecnológica, patrón de llegada de las tareas(que puede ser
aleatorio, constante, variable), disciplinas, y criterios de evaluación.
Muestra

Taller de una sola máquina.

Taller de máquinas en paralelo tales como las idénticas, las
uniformes y las no relacionadas.

Talleres con patrón de flujo uniforme
que consideran
estructuras de flow shop básico, flow shop flexible, línea de
flujo y línea de flujo flexible.

Talleres con patrón de flujo no uniforme que contienen modelos
de job shop, open shop, flexible job shop y flexible open shop.
Hipótesis

Minimizar el tiempo de finalización de la última tarea.
45

Minimizar el número de tareas que se han completado en
respectivas fechas de vencimiento.
Variables

Los parámetros pueden estar asociados al taller (se refieren a
información sobre máquinas y estaciones, sistemas de
almacenamiento y capacidades, equipos de transferencia de
piezas y productos); relacionados con el conjunto de tareas,
datos sobre las operaciones (tiempos de procesamiento y
secuencia tecnológica) y tiempos o costos de preparación.

Las variables que por lo general están asociadas a la solución
del problema están referidas al tiempo de iniciación y
terminación de operaciones (Cij) y tiempos departida (Dij).
Indicadores

Medidas de desempeño relacionadas con las tareas.

Medidas de desempeño asociadas a las máquinas.

Medidas de desempeño regular

Medidas de desempeño equivalentes.
Análisis de resultados:
Tabla N° 4 Resultados
Fuente: Ballesteros, P (2013), Aplicación Heurística
46

Las columnas C9 y C10 indican las fechas de inicio y
terminación respectivamente de cada una de las actividades de
los diferentes trabajos que se han procesado, que coinciden
con la heurística aplicada manualmente
El diagrama de Gantt para este problema es:
Tabla N° 5 Diagrama de Gantt
Fuente: Ballesteros P. (2013), Aplicación Heurística
Conclusiones

Resolver un problema de secuenciación es proponer un
programa o programas donde se pueden observar tanto los
tiempos de inicio como los de terminación de las diferentes
operaciones relacionadas con las tareas asociadas y con los
valores de la medida o medidas de desempeño establecidas
como criterio de calidad.
Recomendaciones

La programación secuencial se puede considerar como una
herramienta administrativa que se ocupa de buscar un orden
apropiado para la realización de un grupo de tareas o de
trabajos y definir los tiempos en que deben iniciarse sus
operaciones diferentes con el propósito de lograr un valor
óptimo o adecuado de una medida o índice de desempeño,
dado un conjunto de recursos, por lo general limitados.
47
1.2.10.3. Investigaciones relacionadas N°3
Damián (2011), Heurística aplicada a la asignación de recursos
humanos en una universidad
Objetivo

Investigar puntualmente algunos de los algoritmos heurísticos
disponibles junto con sus posibles optimizaciones y mejoras,
que permitieran obtener soluciones heurísticas par el problema
particular de la asignación de recursos humanos en una
universidad.
Población

Universidad de Palermo
Muestra

Universidad de Palermo - Facultad de ingeniería
Hipótesis

El algoritmo será capaz de dar solución a problemas de tamaño
similar
a
la
asignación
de
materias
requeridas
cada
cuatrimestre por la facultad de ingeniería de la universidad de
Palermo.

Se pretende obtener buenas soluciones en el menor tiempo
posible buscando en lo posible que el proceso de búsqueda de
soluciones del algoritmo sea "instantáneo" desde la perspectiva
del usuario.
Variables

Horarios (turnos)

Materias

Profesores
48
Indicadores

Tiempo de terminación o Cmáx

Asignaciones de materias
Análisis de resultados

La evaluación del algoritmo fue completamente satisfactoria en
relación a los niveles de aspiración que se pretendieron
alcanzar en el desarrollo del algoritmo heurístico de asignación
de recursos humanos.
En primer lugar, el algoritmo se demostró capaz de trabajar en un entorno
real, con mayores volúmenes de datos que los que se pueden utilizar en
pruebas de desarrollo. En el caso concreto de la oferta
académica del
primer cuatrimestre de 2006, el algoritmo tuvo que generar la asignación de
profesores y horarios para un total de 79 cursos.
En segundo lugar, el tiempo de respuesta siempre fue instantáneo, aun en
la última prueba de asignación de 79 cursos para la facultad de
ingeniería.
En tercer lugar, y como factor más importante, el algoritmo logro dar una
solución válida y satisfactoria a partir de las soluciones ingresadas, ya que
fue capaz de asignar 78 de los 79 cursos solicitados. Los dos puntos
anteriores se volverían intrascendentes si el algoritmo hubiera sido incapaz
de realizar su tarea de asignación de profesores y horarios a los cursos
solicitados.
Como detalle final, en el caso de evaluación anterior el límite de tolerancia
también demostró su utilidad: la única falla de asignación (1/79) fue menor
que el 5% permitido, con lo cual el algoritmo asumió que la solución
encontrada era válida. La falla de asignación ocurre por simple lógica, ya
que se solicitaron "Sistemas Digitales I" y "Sistemas digitales II" ambas por
la noche, y dado que el único profesor capaz de dictar esas dos materias
solo tenías disponible el miércoles por la noche, una de las dos materias
quedo indefectiblemente sin asignarse.
49
Conclusiones

Se logró cumplir los objetivos planteados.

Se destaca que el sistema propuesto demostró su utilidad
concreta al encontrar buenas soluciones heurísticas en un
problema de asignación de recursos tomado del mundo real.
Recomendaciones

A partir de la investigación desarrollada, se plantea nuevas
líneas de investigación futuras:

La extensión del algoritmo y el sistema para analizar y
administrar el cupo de aulas disponibles en cada turno y las
sedes del establecimiento educativo.

La
optimización
del
algoritmo
para
distribuir
más
uniformemente en la semana los días asignados según los
requerimientos del usuario.
1.3.
Definición de términos básicos
A continuación se definirá una serie de términos importantes para la correcta
comprensión
del
documento:
Información,
Modelo,
Investigación
Optimización,
Operativa,
Simulación,
Método
Sistema
de
Heurístico,
Metodología Ágil, Metodología y Base Datos.
a) Bases de datos: La Piedra, Devece y Guiral (2011) nos indican que
una base de datos es un conjunto de información estructurada en
registros y almacenada en un soporte electrónico legible desde un
ordenador. Donde La piedra A. et al. (2011) señala que cada registro
constituye una unidad autónoma de información que puede estar a su
vez estructurada en diferentes campos o tipos de datos que se
recogen en dicha base de datos.
b) Investigación Operativa: Keys (2011) explicó “La investigación
Operativa es una tecnología, pero no en el sentido de modelo clásico
50
de ciencia-tecnológica, que considera esta última como una ciencia
aplicada, sino un marco de modelo nuevo.”(p-115).
c) Método Heurístico: Se basa en la utilización de reglas empíricas para
llegar a una solución. El método heurístico conocido como “Ideal”,
formulado por Bransfor y Stein(1984), incluye cinco pasos: Identificar
el problema, definir y presentar el problema; explorar las estrategias
viables; avanzar en las estrategias; y lograr la solución y volver para
evaluar los efectos de las actividades.
d) Metodología: Según la Real Academia Española (2014),
una
metodología es un conjunto de métodos que se siguen en una
investigación científica o en una exposición doctrinal. Se refiere a la
serie de métodos y técnicas de rigor científico que se aplican
sistemáticamente durante un proceso de investigación para alcanzar
un resultado teóricamente válido. En este sentido, la metodología
funciona como el soporte conceptual que rige la manera en que
aplicamos los procedimientos en una investigación.
e) Metodologías
ágiles:
Scrum
Manager
(2014)
indicó
que
las
metodologías agiles de software se basan en la premisa de un
desarrollo ágil de software refiriéndose
a métodos donde la
ingeniería del software están basados en el desarrollo iterativo e
incremental, donde los requisitos y soluciones evolucionan mediante
la colaboración de grupos auto organizado y multidisciplinario.
Actualmente existen muchas metodologías
mayoría minimiza riesgos del
de desarrollo ágil, la
desarrollando software en lapsos
cortos, tienen como objetivo principal el desarrollado del software en
un periodo corto de tiempo, Scrum Manager (2014) señala que a un
ciclo de desarrollo se le llama una iteración, la cual debe durar de una
a cuatro semanas, en donde cada iteración del ciclo de vida incluye:
planificación, análisis de requisitos, diseño, codificación, revisión y
documentación.
f) Modelo: Ramos (2010) explicó que un modelo es una representación
matemática simplificada de una realidad compleja. Modelar es la
51
acción de construir un modelo, de encorsetar la realidad. Implica la
relación entre dos figuras (no necesariamente encarnadas por
personas únicas sino por equipos): el modelar (encargado de la
especificación y desarrollo del modelo) y el experto sobre la realidad
(conocedor del problema real).
g) Optimización: Robinson (2010) explicó que consiste en la selección
de una alternativa mejor, en algún sentido, que las demás alternativas
posibles. Es un concepto inherente a toda la investigación operativa.
h) Simulación: Mondy y Noe (2008) indicó “Es una técnica para
experimentar
una
situación
real
por
medio
de
un
modelo
matemático.(P-111)
i) Sistema de información: Lucas (1994) indicó que “Un sistema de
información es un conjunto de elementos que interactúan entre sí con
el fin de apoyar las actividades de una empresa o negocio.” (p.4).
52
CAPÍTULO II
METODOLOGÍA
2.1.
Materiales
Son los recursos y/o herramientas tecnológicos tangibles e intangibles que
se requieren para lograr el éxito de este proyecto.
2.1.1. Requerimiento de Hardware
Tabla N° 6 Requerimientos de Hardware
Cantidad
Hardware
Descripción
Lugar físico donde se
encontrara almacenado la
1
Servidor Base de Datos
data del proyecto a realizar
Lugar físico donde se
encontrara almacenado la
aplicación del proyecto a
1
Servidor Web
realizar
Fuente: Elaboración propia
2.1.2. Requerimiento de Software
Tabla N° 7 Requerimientos de Software
Cantidad
Licencia
Descripción
Derecho que nos permite usar las
funcionalidades del servidor donde estará
1
Servidor Web
nuestro proyecto
Derecho que nos permite usar las
1
Microsoft SQL Server
funcionalidades del gestor de la base de
2008express
datos
Derecho que nos permite usar las
1
Visual Estudio 2010
funcionalidades del ambiente de desarrollo
Fuente: Elaboración propia
53
Actualmente la empresa “ARAMSA Contratistas Generales SAC” cuenta con
paquete de Microsoft Office 2010 y también SQL Server 2008express /
Visual Estudio 2010.
2.1.3. Equipo de Desarrollo
Son las personas y/o roles que se requiere para poder realizar este
proyecto.
Tabla N° 8 Equipo de Desarrollo
Cantidad
Rol
Descripción
Encargado de liderar el
proyecto controlándolo
mediante un plan de
1
Jefe de Proyecto
1
Analista ETL
trabajo establecido
Encargado de analizar
la información que
soportara y que saldrá
1
Analista Explotación de Información
del aplicativo
Encargado del
desarrollo de la
1
Analista Programador
aplicación
Encargado de modelar
todas las
funcionalidades que
1
Modelador
requiera el aplicativo
Fuente: Elaboración propia
54
2.2.
Metodología de investigación científica
En cualquier trabajo de investigación es prioritario que el objeto de estudio
así como los hechos y relaciones que se establece conjuntamente con los
resultados obtenidos, posean los máxima representatividad, exactitud,
confiabilidad, y la validez, por lo que es fundamental que el investigador
utilice un procedimiento ordenado, secuencial metodológico, que den
respuesta a las preguntas planteadas en la formulación de la investigación y
así, cumplir con los objetivos y expectativa planteada en la investigación.
Tamayo (2014) explicó "La investigación es un proceso que mediante la
aplicación del método científico, procura obtener información relevante y
fidedigna, para entender, verificar, corregir o aplicar el conocimiento". (p.37)
Es por esto, que el presente trabajo, es una investigación científica aplicada
de diseño pre - experimental de tipo descriptivo, por cuanto describiremos
variables, y analizaremos sus incidencias en un momento dado, en nuestro
caso, se ha dispuesto información referente a la asignación de maquinarias
a obras de construcción. Este banco de datos representa el sustento
empírico y numérico para llegar a conclusiones, por esta razón la naturaleza
de datos es de tipo cuantitativo, teniendo nuestro tiempo de estudio de tipo
longitudinal debido que se cuenta con información necesaria para poder
hacer comparaciones de un antes y un después.
A continuación justificaremos nuestra investigación con citas de autores,
para un mejor entendimiento lo dividiremos en categorías:

Finalidad de estudio
La finalidad de estudio de nuestra investigación es aplicada, debido que
permitirá resolver el problema de asignación de maquinarias a obras
mediante la construcción de un algoritmo capaz de satisfacer todos los
requisitos necesarios.
Giroux y Tremblay(2004) afirmó “Lo propio de la investigación aplicada es
estudiar problemas concreto con objeto de proponer un “plan de acción” para
decidir o intervenir eficazmente en una situación dada”, es decir ésta se
propone una intervención cuyo éxito no se debe al alzar, se trata por
55
consiguiente, de una investigación para la acción. Asimismo, Pelekais, De
Franco y Parada(2005), refieren que la investigación aplicada describe y
predice la aplicabilidad de los resultados, se concibe y planifica con fines
eminentemente prácticas, directos e inmediatos dirigidos a la solución
problemas de la realidad.

Naturaleza de los datos
La naturaleza de los datos es de tipo cuantitativo dado que nuestros
procedimientos de decisión serán entre ciertas alternativas, usando
magnitudes numéricas que pueden ser tratadas mediante herramientas del
campo de la estadística.
Hernández (2003) explicó “El método cuantitativo “Usa una recolección de
datos para probar hipótesis con base en la medición numérica y el análisis
estadístico para establecer patrones de comportamiento”. (p.6).
Best y Kahn (1989) explicó:
La investigación cuantitativa consiste en aquellos estudios cuyos datos
pueden analizarse en términos de números... La investigación puede ser
también cualitativa, o sea describir científicamente a las personas,
acontecimientos, etc., sin usar o datos numéricos. La investigación
cuantitativa se basa en los planes originales y sus datos se analizan e
interpretan con más prontitud. La investigación cualitativa es más abierta y
sensible al sujeto. Las dos son útiles y válidas y no se excluyen mutuamente.
Es posible usar ambos métodos en una misma investigación. (P. 89-90)

Tiempo de estudio
El tiempo de estudio será de tipo longitudinal debido que se cuenta con
información necesaria para poder hacer comparaciones teniendo como
resultado un antes y un después.
Hernández (2003), explicó “los diseños longitudinales, son los que
representan datos a través del tiempo en puntos o periodos, para hacer
inferencias respecto al cambio, sus determinantes y consecuencias.” (p.23).
56

Naturaleza del estudio
La naturaleza del estudio será de tipo descriptivo, dado que detallaremos
variables, y analizaremos sus incidencias en un momento dado. En nuestro
caso, se ha dispuesto información referente a la asignación de maquinarias
a obras de construcción.
Hernández, Fernández y Baptista (2006) señalaron que “una investigación
descriptiva consiste en presentar la información tal cual es, indicando cual es
la situación en el momento de la investigación analizando, interpretando,
imprimiendo, y evaluando lo que se desea.”(p.44)
Asimismo Bavaresco (2001) indicó que “las investigaciones descriptivas van
hacia la búsqueda, de aquellos aspectos que se desean conocer y de los
que
se
pretenden
obtener
respuestas,
describiendo
y
analizando
sistemáticamente sus características.” (p.23).

Diseño experimental
Es de diseño pre - experimental, dado que se debe probar nuestro algoritmo
y comprobar sus resultados.
Según, Campbell y Stanley
(1966) indicó que “la investigación pre
experimental es aquel experimento con base en grupos escogidos y sin
presencia de grado de control alguno.” (p.10).
Asimismo, Arnau (1981) explicó
En su sentido más general el diseño experimental incluye a los
procedimientos requeridos en una investigación experimental que van
desde la formulación de la hipótesis hasta la obtención de las
conclusiones. Tales procedimientos se refieren a la formulación de la
hipótesis, selección de las variables independientes y de las variables
dependientes, control de las variables experimentales, manipulación
de las variables independientes y registro de la variable dependiente,
análisis de la varianza producida en la variable dependiente e
inferencia de las relaciones entre las variables en estudio.(p.34).
57
2.2.1. Técnicas de recolección de datos
Hernández (2006) explicó “la técnica de recolección de datos consiste en
vías a través de los cuales el investigador registra datos observables que
representa verdaderamente los conceptos o variables que se pretende
medir.” (p.45)
Asimismo Bavaresco (2001) indicó “que la técnica de recolección de datos
constituye el conjunto de herramientas científicamente validadas por medio
de los cuales se levanta los registros necesarios para comprobar un hecho o
fenómeno en estudio.” (p.34).
Las técnicas utilizadas para la recopilación de información para la
elaboración del presente informe fueron las siguientes:

Entrevistas: Para estas se utilizó en principal medida el método de
preguntas abiertas, con la finalidad de obtener información no
contemplada inicialmente.

Revisión documental: Para obtener información relevante respecto a
obras, maquinarias, distancia, costo respecto a nuestro problema.

Revisión de Temas: Se revisaron múltiples fuentes de información
(electrónica, bibliográfica, etc.) con la finalidad de tener un alcance de
comprensión de los procesos identificados en la organización y así poder
identificar soluciones tecnológicas para los problemas encontrados en
estos procesos.
2.2.2. Universo o población
En toda investigación es necesario establecer los parámetros, determinado
el universo donde se llevará cabo la investigación.
Parra (2006) indicó que el universo “es el conjunto conformado por todos los
elementos, seres u objetivos que contienen las características y mediciones
u observaciones que se requiere en una investigación dada.”(p.15)
58
Eyssautier (2002) explicó que
“el universo o población es un grupo de
personas o cosas similares en una o varias aspectos, que forman parte del
objeto de estudio.” (p. 196).
Chávez (2007) indicó que “La población es definida por como el universo de
la investigación sobre el cual se pretende generalizar los resultados.”(p.92).
2.2.2.1.
Censo
Hernández y Col (2006) indicaron que el censo poblacional es el número
elemento sobre el cual se pretende generalizar los resultados. Por otra parte
Sabino (2002), refiere el censo poblacional como el estudio que utiliza todos
los elementos disponibles de una población definida.
Bavaresco (2001) señaló que el censo es un estudio de todo y cada uno de
los elementos de la población para obtener una misma información. El objeto
principal de la investigación es obtener información sobre las características
o parámetros de una población. Dado que la población a estudiar esta
claramente definida y limitada, este punto será manejado bajo la perspectiva
de un censo poblacional, es decir un recuento completo de los elementos de
la población.
I.
Lugar
La investigación se lleva a cabo en Lima metropolitana.
II.
Tiempo
La investigación se realiza con empresas de construcción en la
actualidad.
III.
Población
Para la selección de empresa tomada en cuenta en la muestra, se
tomaron los siguientes criterios de inclusión y exclusión:
a) Empresa de construcción sector privado situadas en Lima
metropolitana
i. Muestra
La muestra de este trabajo de investigación está constituida
por la siguiente empresa:

ARAMSA Contratistas Generales S.A.C.
59
ii. Tipo de muestra
Se utiliza un muestreo general no probabilístico de tipo
intencional ya que deseamos analizar el comportamiento de
la asignación de maquinarias a obras de empresas de
construcción.
2.2.3. Hipótesis
William (2003) resaltó que las hipótesis indican lo que tratamos de probar y
se definen como explicaciones tentativas del fenómeno investigado. Se
derivan de la teoría existente.
Hernández, Fernández y Baptista (2006)resaltaron quelas hipótesis son
explicaciones tentativas de la relación entre dos o más variables. Sus
funciones son: guiar el estudio, proporcionar explicaciones y apoyar la
prueba de teorías.
Para la elaboración de las hipótesis se analizó la asignación de maquinarias
a obras de construcción. Obteniendo las siguientes:
H10: El algoritmo no reducirá el costo de desplazamiento de asignación de
maquinarias en obras civiles por lo menos en 25%.
H11: El algoritmo reducirá el costo de asignación de maquinarias en obras
por lo menos en 25%.
H20: El algoritmo no reducirá la distancia de desplazamiento de asignación
de maquinarias en obrasciviles por lo menos en 25%.
H21: El algoritmo reducirá la distancia de desplazamiento de asignación de
maquinarias en obrasciviles por lo menos en 25%.
H30: El algoritmo no reducirá el tiempo de desplazamiento de asignación de
maquinarias en obras civiles por lo menos en 25%.
H31: El algoritmo reducirá el tiempo de desplazamiento de asignación de
maquinarias en obrasciviles por lo menos en 25%.
60
Los porcentajes de reducción para las variables de costo, tiempo y distancia
de desplazamiento de asignación de maquinarias en obras civiles fueron
brindando por la empresa en estudio
Ballesteros (2013) mencionó que la Aplicación de una heurística constructiva
en programación secuencial para asignación de varios trabajos a varias
máquinas en paralelo utilizó el variable tiempo y costo tuvo un impacto de
30% de reducción del inventario en proceso, porcentaje de utilización del
equipo, cumplimiento de los plazos de entrega entre otros.
Damián (2011) mencionó en la
“Heurística aplicada a la asignación de
recursos Humanos en una Universidad” consideró como
variable de
hipótesis o niveles de inspiración para evaluar le algoritmo la variable tiempo
donde se pretendió obtener buenas soluciones en el menor tiempo posible,
buscando en lo posible que el proceso de búsqueda de soluciones del
algoritmo sea “instantáneo” desde la perspectiva del usuario.
James Tomalá Robles mencionó en s tesis distancia “Resolver el problema
de ruteo en un servicio de Courier done busca tomar la ruta óptima para
cada vehículo del depósito, donde se tomó una reducción de 40% con ayuda
del Google Maps.
Restrepo (2011) mencionó que la Aplicación de la heurística de Gupta en la
secuenciación de n tareas en m máquinas, utilizólas variables distancias y
las fechas para el optimar las tareas de cada máquina.
2.3.
Metodología para la implantación de la solución
Para la implantación de la solución, trabajaremos con la metodología Scrum,
la cual detallaremos:
61
Tabla N° 9 SCRUM - Etapas
SCRUM
FASE
ENTREGABLE
Planificación de la Entrega
Definición
ProductBacklog
Sprint (*)
Análisis y Diseño Prototipos
Construcción
Código Fuente desarrollado
Certificación
Plan de Pruebas
Resultado de pruebas
Despliegue
Despliegue
Documento de Capacitación
Código fuente de la aplicación
Fuente: Elaboración propia
Roles de Scrum
Tabla N° 10 Roles y responsabilidades
Fuente: Elaboración propia
62
Requerimientos funcionales
Los requerimientos funcionales van a definir el comportamiento de nuestro
aplicativo así como los cálculos, manipulación de datos, vistas, interfaces,
servicios
entre otras funcionalidades. En base al levantamiento de
información realizado, se definieron los requerimientos funcionales del
proyecto los cuales mencionamos:
Módulo de "Asignación de maquinarias a obras":
El sistema mostrara una interfaz la cual el usuario deberá ingresar la
información de obras, etapas y maquinarias las cuales son requisitos
necesarios para poder realizar la asignación de maquinarias a obras.
Módulo de mantenimiento de las maquinas y obras.
El sistema mostrará una interfaz donde podrá administras la información de
las maquinarias registradas.
2.2.4. Plan de trabajo
Nos permite ordenar y sistematizar información relevante para realizar
nuestro proyecto. Esta especie de guía propone una forma de interrelacionar
los recursos disponibles, plasmándolo en un cronograma, designando
responsabilidades, metas y objetivos.
63
Figura N° 9 Diagrama de actividades de desarrollo
Fuente: Elaboración Propia
64
CAPÍTULO III
DESARROLLO DEL PROYECTO
3.1.
Desarrollo del algoritmo
El objetivo del algoritmo es asignar maquinarias a obras en la empresa
ARAMSA CONTRATISTAS GENERALES S.A.C. que mejore la asignación
en base a tiempo, distancia y costo.
3.1.1. Algoritmo
El algoritmo de asignación de maquinaria a obras cuenta con cuatro grandes
fases las cuales son:
b)
Fase: Ingreso de data
Fase donde se ingresa información necesaria con respecto a obras, etapas
de obras y maquinarias, la cual es un requisito necesario para el
funcionamiento de las siguientes fases.
c)
Fase: Conversión de obra
Fase donde se procede a dar el peso e importancia de cada obra a asignar
maquinarias.
d)
Fase: Asignación de maquinaria
Fase donde se procede a asignar las maquinarias de acuerdo a una serie de
condiciones.
e)
Fase: Resultados
Fase donde se registran y visualizan los resultados de la asignación de
maquinarias a obras.
3.1.2. Pseudocódigo del algoritmo
65
Programa Asignación
//Estas variables son ingresadas por el formulario para realizar la simulación de la
asignación de maquinarías obras de construcción civil.
NumeroObras//Variable ingresado por el usuario, puede ser 4 obras por Proyecto.
Obra[n]// Variable ingresado por el usuario, varias obras(n) se van a guardar por
Proyecto.
CostoObra[n]// Variable ingresado por el usuario, costo por cada obra.
DistanciaObra[n]// Variable ingresado por el usuario, distancia por cada obra.
TiempoObra[n]// Variable ingresado por el usuario, tiempo por cada obra
PartidasObra[n]// Partidas por cada obra, puede ser 4 partidas por obra.
CantidadMaquinariasObra[n]// Cantidad Total de máquinas por obra.
CantidadPartidaObra[n]// Cantidad de Partidas por obra
ObraPartida[n][m]// Variable ingresado por el usuario, varias partidas(m) por Obra.
FechaInicioporPartidaObra[n][m]// Variable ingresado por el usuario, fecha de inicio
de la partida
FechaFinporPartidaObra[n][m]// Variable ingresado por el usuario, fecha de fin de la
partida
CantidadMaquinariasporPartidaObra[n][m]// Variable ingresado por el usuario,
cantidad de máquinas por Partida.
MaquinaObraPartida[m][p]
Maquina[m][p]//Maquina por Partida de obra.
**Para los arreglos/vectores se van a trabajar con clases Obra,ObraPartida y
MaquinaObraPartida.
Variables que serán calculados y luego registrados en la Base Datos:
PesoCostoPrioridad
PesoDistanciaPrioridad
PesoTiempoPrioridad
Costocv[n]
Distanciacv[n]
Tiempocv[n]
66
Ccv[n]
Dv[n]
Tcv[n]
CDT[n]
CDTcv[n]
ObraMenorCDTcvLista
ObraMayorCDTcvLista
Inicio:
Leer variables:
CostoPrioridad
DistanciaPrioridad
TiempoPrioridad
NumeroObras
CostoObra[n]
DistanciaObra[n]
TiempoObra[n]
PartidasObra[n]
CantidadMaquinariasObra[n]
CantidadPartidaObra[n]
FechaInicioporPartidaObra[n][m]
FechaFinporPartidaObra[n][m]
CantidadMaquinariasporPartidaObra[n][m]
Maquina[m][p]
//Busca el peso en la BD la prioridad de cada indicador Costo,Distancia y Tiempo para
el Proyecto
PesoCostoPrioridad=BuscarBD_Peso(CostoPrioridad )
PesDistanciaPrioridad=BuscarBD_Peso (DistanciaPrioridad)
PesoTiempoPrioridad=BuscarBD_Peso (TiempoPrioridad)
67
//Busca el peso en la BD la prioridad de cada indicador Costo,Peso y Tiempo para
C/obra
Desde 0 hasta NumeroObras(n)
Costocv[n]=BuscarBD_Peso(CostoObra[n])
Distanciacv[n]=BuscarBD_Peso(DistanciaObra[n])
Tiempocv[n]=BuscarBD_Peso(TiempoObra[n])
Fin Desde
Desde 0 hasta NumeroObras (n)
Ccv[n]= Costocv[n]*PesoCostoPrioridad
Dcv[n]=Distanciacv[n]*PesDistanciaPrioridad
Tcv[n]= Tiempocv[n]*PesoTiempoPrioridad
Fin Desde
Desde 0 hasta NumeroObras(n)
CDT[n]=Ccv[n]* Dcv[n]*Tcv[n]
Fin Desde
Desde 0 hasta NumeroObras (n)
CDTcv [n]= BuscarBD_Peso(CDT[n])
Fin Desde
//Ya se calcularon los pesos para cada indicador.
//Seleccionará la obra que tenga menor puntaje.
ObraMenorCDTcvLista=SELECCIONARMENORPUNTAJE(CDTcv[n])
ObraMayorCDTcvLista=SELECCIONARMAYORPUNTAJE(CDTcv[n])
//Ordenará Arreglo de menor a mayor
Ordenar (CDTcv[n])
//Asignar FactorCalculado a C/maquina a la Lista, se agregar un campo a la lista de
maquinas
Desde 0 hasta NumeroMaquinas (n)
Maquina[n][FactorCalculado]=FACTORCOSTOADQUISICION*FACTORMANTENIMIEN
TO*FACTORVIDA
//Factor Calculado
Fin Desde
68
PROCESO buscarMaquina(CODIGOMAQUINARIA)
Contador=0
Max=0
//Buscará el código de máquina y el que tenga máximo puntaje en el FactorCalculado
por máquina.
//Recorre lista de maquinas
Desde 0 hasta NumeroMaquinas (n)
Si Maquina [n][CM]=CODIGOMAQUINARIA
Y Maquina [n][DISPONIBILIDAD]<>1
Y Maquina [n][FECHAFINDISPONIBILIDAD]<FechaInicioporPartidaObra[n][m]
]<>1
Max =MAXIMO(Maquina[n][FactorCalculado])
Fin Si
Fin Desde
//En caso que varias máquinas del mismo código tengan el mismo FactorCalculado
//Recorre lista de maquinas
Desde 0 hasta NumeroMaquinas (n)
Si Maquina [n][CM]=CODIGOMAQUINARIAY Max=Maquina[n][FactorCalculado])
Y Maquina [n][DISPONIBILIDAD]<>1
Y Maquina [n][FECHAFINDISPONIBILIDAD]<FechaInicioporPartidaObra[n][m]
Contador Contador+ +
Fin Si
Fin Desde
//Si en caso que hay varias máquinas con el mismo FactorCalculado
SI CONTADOR>=1
//Recorre lista de maquinas
Desde 0 hasta NumeroMaquinas (n)
//Si las maquinas repetidas de mismo FactorCalculado, se tomará el que tenga mayor
Costo
Si Maquina [n][MANTENIMIENTO]=Maquina [n+1][MANTENIMIENTO]
YMaquina [n][VIDA]=Maquina [n+1][VIDA]
Y Maquina [n][DISPONIBILIDAD]<>1
Y Maquina [n][FECHAFINDISPONIBILIDAD]<FechaInicioporPartidaObra[n][m]
Max =MAXIMO(Maquina[n][COSTOADQUISICION])
Fin Si
Si Maquina [n][COSTO]=Maquina [n+1][COSTO]
YMaquina [n][VIDA]=Maquina [n+1][VIDA]
Y Maquina [n][DISPONIBILIDAD]<>1
Y Maquina [n][FECHAFINDISPONIBILIDAD]<FechaInicioporPartidaObra[n][m]
Max =MAXIMO(Maquina[n][MANTENIMIENTO])
Fin Si
Si Maquina [n][COSTO]=Maquina [n+1][COSTO]
YMaquina [n][MANTENIMIENTO]=Maquina [n+1][MANTENIMIENTO]
Y Maquina [n][DISPONIBILIDAD]<>1
69
Y Maquina [n][FECHAFINDISPONIBILIDAD]<FechaInicioporPartidaObra[n][m]
Max =MENOR(Maquina[n][VIDA])
Fin Si
Fin Desde
SINO
Si Maquina [n][COSTO]>Maquina [n][MANTENIMIENTO]
YMaquina [n][COSTO]>Maquina [n][VIDA]
Y Maquina [n][DISPONIBILIDAD]<>1
Y Maquina [n][FECHAFINDISPONIBILIDAD]<FechaInicioporPartidaObra[n][m]
Max =n
Fin Si
Si Maquina [n][MANTENIMIENTO]>Maquina [n][MANTENIMIENTO]
YMaquina [n][MANTENIMIENTO]>Maquina [n][COSTO]
Y Maquina [n][DISPONIBILIDAD]<>1
Y Maquina [n][FECHAFINDISPONIBILIDAD]<FechaInicioporPartidaObra[n][m]
Max =n
Fin Si
Si Maquina [n][VIDA]<Maquina [n][COSTO]
Y Maquina [n][VIDA]<Maquina [n][VIDA]
Y Maquina [n][DISPONIBILIDAD]<>01
Max =n
Fin Si
FIN SI
TERMINAR PROCESO
//como ya se ordenó la lista de Obras, empezará a recorrer de menor a mayor
puntaje de obra.
CodigoMaquina=0
//Comenzará asignar a la Obra con menor puntaje.
Desde 0 hasta NumeroObras (n)
Desde 0 hasta CantidadPartidaObra
Desde 0 hasta CantidadMaquinariasporPartidaObra
Desde 0 hasta Maquina
CodigoMaquina =buscarMaquina(CODIGOMAQUINARIA)
ActualizarListaMaquina[DISPONIBILIDAD]=1
ActualizarListaMaquina[FECHAFINDISPONIBILIDAD]=FechaFinporPartidaObra[n][m]
Fin Desde
Fin Desde
Fin Desde
Fin Desde
70
//Obtener el tiempo, distancia del servicio Google
//Este método es un API del Google Maps, este método recibe la dirección Inicial y
dirección destino, donde te devuelve el tiempo(horas) y distancia(kilómetros) entre
ambas direcciones.
Desde 0 hasta NumeroMaquinas (n)
Maquina [n][DISTANCIA]=SERVICIOGOOGLE(DIRECCION1, DIRECCION2)
Maquina [n][TIEMPO]=SERVICIOGOOGLE(DIRECCION1, DIRECCION2)
Fin Desde
Fin
3.1.3. Diagrama del algoritmo
Figura N° 10 Algoritmo General
Fuente: Elaboración Propia
71
ASIGNACION DE MAQUINARIAS A OBRAS DE EMPRESAS DE CONSTRUCCION
FASE INGRESO DE DATA
INICIO
Diagrama de flujo – Algoritmo de Asignación de Maquinaria a Obra
NO
INGRESAR
CANTIDAD DE
OBRAS A ASIGNAR
INGRESAR
INFORMACION DE
OBRA
INGRESAR
INFORMACION DE
FASE
INGRESAR
INFORMACION DE
MAQUINARIAS
¿INFORMACION
DE OBRA
COMPLETA?
NO
SI
CANTIDAD
DE OBRAS
NUMERO DE
OBRA,
COSTO,
DIRECCION
NUMERO DE
FASE, FECHA
DE INICIO,
FECHA FIN
NOMBRE DE
MAQUINARIA,
FECHA INICIO USO,
FECHA FIN USO,
DIAS DE TRABAJO,
COSTO GALON/
HORA,
CONVERSION
DE OBRA
NO
ASIGNACION
DE
MAQUINARIA
INGRESAR NUMERO
DE MAQUINARIAS
INGRESAR
CANTIDAD DE FASES
DE OBRAS
¿INFORMACION
DE
MAQUINARIAS
COMPLETA?
SI
CANTIDAD DE
MAQUINARIAS
SI
RESULTADOS
¿INFORMACION
DE FASES
COMPLETA?
CANTIDAD
DE FASES
FIN
Figura N° 11 Algoritmo – Fase ingreso de data
Fuente: Elaboración propia
72
ASIGNACION DE MAQUINARIAS A OBRAS DE EMPRESAS DE CONSTRUCCION
FASE CONVERSION DE OBRA
Diagrama de flujo – Algoritmo de Asignación de Maquinaria a Obra
Condiciones
- Tener data de costo, distancia, tiempo y lugar de cada obra
- Consultar distancia y tiempo de web service de google
INICIO
OBTENER
INFORMACION DE
OBRAS
ORDENAR OBRAS
POR DISTANCIA,
TIEMPO Y FACTOR
DE IMPORTANCIA
OBTENER FACTOR
TOTAL POR OBRA
NO
OBTENER FACTOR
POR CADA
VARIABLE DE OBRA
NO
SI
¿SE OBTUVO
FACTOR TOTAL
POR CADA
OBRA?
SI
¿SE OBTUVO
FACTOR POR
CADA VARIABLE
DE OBRA?
VERIFICAR
DISTANCIA, TIEMPO
DE OBRAS
INICIO
Figura N° 12 Fase conversión de obra
Fuente: Elaboración propia
73
ASIGNACION DE MAQUINARIAS A OBRAS DE EMPRESAS DE CONSTRUCCION
FASE ASIGNACION DE MAQUINARIA
Diagrama de flujo – Algoritmo de Asignación de Maquinaria a Obra
INICIO
NO
A
OBTENER
CONVERSION DE
FACTOR TOTAL POR
OBRA
NO
OBTENER
INFORMACION DE
MAQUINARIAS
¿SE COMPARO
TODAS LAS
FASE?
SI
ORDENAR OBRAS
POR FECHA DE
INICIO
VERIFICAR SI LA
MAQUINARIA SE
ENCUENTRA
DISPONIBLE Y APTA
¿SE COMPARO
TODAS LAS
OBRAS?
NO
SI
OBTENER
INFORMACION DE
OBRA
ASIGNAR LA
MAQUINARIA
CORRESPONDIENTE
FIN
SI
Condiciones
OBTENER
INFORMACION DE
PARTIDA
¿SE COMPARO
TODAS LAS
MAQUINARIAS?
- Ordenar por fecha de inicio de obra
- Obtener importancia de obra
- Maquinarias por disponibilidad
- Maquinarias por disponibilidad lugar
- Maquinarias por disponibilidad fecha
Figura N° 13 Fase asignación de maquinarias
Fuente: Elaboración Propia
74
ASIGNACION DE MAQUINARIAS A OBRAS DE EMPRESAS DE CONSTRUCCION
FASE RESULTADOS
Diagrama de flujo – Algoritmo de Asignación de Maquinaria a Obra
INICIO
OBTENER
INFORMACION DE
ASIGNACION DE
MAQUINARIA
GUARDAR LA
MEJOR ASIGNACION
DE MAQUINARIA
MOSTRAR
RESULTADOS
DETALLADOS DE
ASIGNACION DE
MAQUINARIA
GUARDAR
INFORMACION DE
ASIGNACION DE
MAQUINARIA
A
NO
¿FINALIZO
ASIGNACIONES
DE
MAQUINARIAS?
MOSTRAR
RESULTADOS
RESUMEN DE
ASIGNACION DE
MAQUINARIA
SI
ORDENAR
RESULTADOS DE
ASIGNACION DE
MAQUINARIA
FIN
Figura N° 14 Fase resultados
Fuente: Elaboración Propia
75
3.1.4. Complejidad del algoritmo
T(N)=1 + 1 + ∑𝑥𝑖=0[1 + 1 + 1 + 1] + + ∑𝑥𝑖=0[1 + 1 + 1 + 1] + ∑𝑥𝑖=0[1 + 1]+∑𝑥𝑖=0[1 +
1] + 1 +∑𝑥𝑖=0[1 + 1] +∑𝒙𝒊=𝟎[𝟏 + 𝟏 + ∑𝑥𝑖=0[1 + 1 + 1 + 1] + ∑𝑥𝑖=0[1 + 1 + +1 + 1] +
1 + 1 + ∑𝑥𝑖=0[1 + 1 + 1 + 1 + 1 + 1]]
T(N)= 2+ ∑𝑥𝑖=0[4] +∑𝑥𝑖=0[4]+∑𝑥𝑖=0[2]+∑𝑥𝑖=0[2] + 1 + ∑𝑥𝑖=0[2]+∑𝑥𝑖=0[2 + ∑𝑥𝑖=0[4] +
∑𝑥𝑖=0[4] + 2 + ∑𝑥𝑖=0[6]]
T(N)=3+14 ∑𝑥𝑖=0[]+ ∑𝑥𝑖=0[4 + 14 ∑𝑥𝑖=0[]]
T(N)=3+∑𝑥𝑖=0[14 + 1 + 14]
T(N)=3+∑𝑥𝑖=0[14 + 1 + 14]
T(N)=3+∑𝑥𝑖=0[14 + 14(𝑁 − 𝐶]]
T(N)=3+14N+14𝑁 2 -14∑𝑥𝑖=0[𝐶]
T(N)=3+14N+14𝑁 2 - 14 N(N+1)/14
T(N)= 13𝑁 2 -13N+3
T(N)=𝑁 2
Se puede concluir que el algoritmo creado tiene una orden de complejidad
cuadrática.
3.2.
Fases
3.2.1.
Fase Inicio
En esta fase se elaboró el acta de constitución del proyecto, en el cual se
detalló la información necesaria para que la idea del proyecto sea aprobada
por la gerencia de ARAMSA S.A. y la organización adopte el proyecto como
suyo.
76
3.2.2.
Fase Planificación
En esta fase se definió el propósito del proyecto y se detallaron los objetivos
claros y precisos para alcanzar la meta final planteada, así como cada una
de las fases y actividades a realizar. Dentro de esta fase se creó el Plan del
Proyecto.
3.2.3.
Fase Ejecución
En la fase de ejecución se empezó con el desarrollo de proyecto a nivel
funcional y técnico, en esta fase se utilizaron ciclos iterativos que se
reflejaron en6 Sprints según SCRUM, a continuación se detallarán las
actividades por cada sprint establecido:
Sprint 0
Este sprint considera las actividades que son comunes para todo el
desarrollo y que son necesarias para empezar con el desarrollo e
implementación:
Definición de los Requerimientos del Negocio
En esta actividad se realizaron las entrevistas al asistente y jefe de producto
de ARAMSA a través de reuniones programadas con la finalidad de conocer
el negocio y recopilar todas sus necesidades que permitan el cumplimiento
de sus objetivos. En esta fase se crearon los siguientes artefactos:

Reporte de Entrevista

Requerimientos de Proyecto
Definición del ProductBacklog
En esta actividad se elaboró el productbacklog en donde se definieron las
funcionalidades a implementar y se priorizó de acuerdo a la dificultad del
desarrollo.
Definición del Sprint Backlog
En esta actividad se elaboró el Sprint Backlog en donde se definieron todos
los Sprints y sus respectivos entregables.
Definición de Arquitectura Técnica
En esta actividad se analizaron las especificaciones técnicas que debería
cubrir la solución y se propuso una arquitectura tecnológica inicial que
77
muestra todo el proceso requerido para llegar a exponer la información
requerida en el tiempo definido al usuario final.
Sprint 1-2
Para los Sprints 1, y 2 se ejecutaron las mismas actividades reiterativamente
para realizar entregas parciales (reportes),
Sprint 3
Este sprint contiene las actividades de cierre del desarrollo: Despliegue y
Finalización.
3.3.
3.3.1.
Desarrollo de la aplicación
Diseño de tablas
Se muestra el diagrama del modelo de datos
78
Figura N° 15 Modelo de Datos
Fuente: Elaboración Propia
79
3.3.2. Arquitectura
Figura N° 16 Arquitectura Técnica
Fuente: Elaboración Propia
La arquitectura propuesta estará compuesto con aplicativo web desarrollado
en lenguaje C# debido a que fácil uso, fácil de programar, la programación
funcional y lógica son eficientes y es el más usado en el mercado.
Actualmente la empresa en estudio cuenta con aplicativos web donde hacen
uso de servidor de Base Datos SQLServer 2008 R2 y Servidor Web IIS8. El
aplicativo será utilizado por usuarios el Asistente de Equipo quien hará la
simulación de asignación de máquinas a obras. El Jefe de Equipo será el
usuario quien apruebe la asignación de máquinas a obras.
80
3.3.3.Diccionario de Datos
Figura N° 17 Diccionario de Base de datos
Fuente: Elaboración Propia
81
3.3.4. Estructura de Datos
Tabla N° 11 Estructura de Datos
Tipo de Dato
DataTable
DataTable
DataTable
Double
Nombre
Detalle
dt_Lista
Lista dinamica, se van almacenar los datos del formulario.
dt_ListaCalculo Lista dinamica,se van calcular costo,distancia y tiempo por cada registro ingresado por el formulario
dt_MaquinaUnidad Lista que almacenada desde tabla de Máquinas.
TextBox_CostoTotalCosto Total de la obra.
Fuente: Elaboración Propia
En la anterior tabla se muestra la las principales variables que se usó para el
desarrollo del algoritmo. El objeto Datatable es una memoria interna de
datos recuperados, con estos objetos se puede trabajar como Arrays bajo
restricciones.
3.3.5.
Prototipos
Figura N° 18 Pantalla de bienvenida
Fuente: Elaboración Propia
82
Figura N° 19 Formulario para la simulación
Fuente: Elaboración Propia
En la figura N°19 se muestra el formulario que el usuario ingresará para la
simulación de la asignación de maquinarias obras civiles.
83
Figura N° 20 Resultado de la simulación
Fuente: Elaboración Propia
En la figura N°20 se muestra las lista de maquinarias que el usuario ingresó
por el formulario, donde se puede mostrar el ID de la maquina asignada, el
Costo por Hora, Resultado de combustible, Distancia Recorrida, Tiempo
recorrida, detalle de la ruta y el estado.
Figura N° 21 Gráficos del resultado de Simulación
Fuente: Elaboración Propia
En la figura N°21 se muestra el costo de desplazamiento por cada obra.
84
Figura N° 22 Gráficos del resultado de Simulación
Fuente: Elaboración Propia
En la figura N°22 se muestra el costo de desplazamiento por cada tipo de
Máquina.
Figura N° 23 Gráficos del resultado de Simulación
Fuente: Elaboración Propia
En la figura N°23 se muestra el costo de desplazamiento por cada tipo de
fase (partida).
85
Figura N° 24 Gráficos del resultado de Simulación
Fuente: Elaboración Propia
En la figura N°24 se muestra la cantidad de maquinarias disponibles
(asignados) a cada obra.
Figura N° 25 Formulario Mantenimiento de Maquinarias
Fuente: Elaboración Propia
En la figura N°25 se muestra las lista de maquinarias de la empresa, en esta
tabla el usuario podrá eliminar, modificar y agregar maquinarias.
86
Figura N° 26 JavaScript de Google Maps
Fuente: https://developers.google.com
87
CAPÍTULO IV
PRUEBAS Y RESULTADOS
4.1. Pruebas
Los tipos de pruebas que se realizaron son las siguientes:
4.1.1.Prueba de Algoritmo
Para las pruebas de nuestra solución, se ha obtenido información de 20
obras, las cuales hemos tomado datos relevantes de costo, distancia y
tiempo por cada obra.
Hemos realizado 18 casos haciendo una combinación aleatoria de las 20
obras y 1 caso con las 20 obras comparando con datos reales obtenida por
la empresa ARAMSA CONTRATISTAS GENERALES S.A.C., cabe resaltar
que la comparación de los primeros 18 casos nos fueron de ayuda para
poder ajustar nuestra solución y dar un resultado óptimo.
A continuación se muestra los datos utilizados para realizar las pruebas:
Caso 1:
Se realizó una corrida de las obras 18, 19 y 20 obteniendo resultados
positivos.
Tabla N° 12 Prueba caso 1
OBRAS
OBRA 18
OBRA 19
OBRA 20
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
2,504.49
4,127.00
54.65
373.08
464.00
7.87
8,085.14 13,672.00
166.54
5,134.50
8,736.00
114.10
5,029.45
8,435.00
112.74
1,435.27
2,138.00
30.30
15,619.08 26,234.00
333.93
6,942.85 11,338.00
152.27
DIFERENCIA CANTIDAD
COSTO DISTANCIA TIEMPO
2,131.41
3,663.00
46.78
2,950.64
4,936.00
52.44
3,594.18
6,297.00
82.44
8,676.23 14,896.00
181.66
Fuente: Elaboración Propia
88
DIFERENCIA PORCENTAJE
COSTO DISTANCIA TIEMPO
85.10%
88.76%
85.61%
36.49%
36.10%
31.49%
71.46%
74.65%
73.12%
55.55%
56.78%
54.40%
Caso 2:
Se realizó una corrida de las obras 1, 2, 3, 4, 5, 6, 7, 8, 9 y 12 obteniendo
algunos resultados negativos, estos resultados son debido a:

Asignación de modelos de maquinarias distintas

Maquinarias en distintos lugares

Mayor tiempo entre asignación de maquinarias
Tabla N° 13 Prueba caso 2
OBRAS
OBRA 1
OBRA 2
OBRA 3
OBRA 4
OBRA 5
OBRA 6
OBRA 7
OBRA 8
OBRA 9
OBRA 12
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
14,707.14 25,097.10
381.99 13,974.99 15,758.30
312.18
24,683.54 51,685.70
653.19 13,963.56 20,910.80
270.47
5,603.24
8,698.00
116.67
6,617.60 10,220.00
137.10
25,817.67 56,221.00
759.69 12,817.12 22,208.00
413.77
3,609.19
6,063.00
81.68
1,413.58
2,244.00
33.13
3,998.19 11,053.00
138.43
4,915.87 13,596.00
167.93
3,047.82 11,129.00
146.93
2,727.88
4,980.00
69.68
8,623.70 17,307.20
227.06
9,014.54 17,371.00
230.43
38,727.72 85,385.00
1,099.48 30,133.45 64,056.00
837.25
20,340.83 35,655.00
458.83 19,482.10 31,781.00
407.57
149,159.04 308,294.00
4,063.95 115,060.68 203,125.10
2,879.52
DIFERENCIA CANTIDAD
COSTO
DISTANCIA TIEMPO
732.15
9,338.80
69.81
10,719.98 30,774.90
382.72
-1,014.36 -1,522.00
-20.43
13,000.55 34,013.00
345.92
2,195.61
3,819.00
48.55
-917.68 -2,543.00
-29.50
319.94
6,149.00
77.25
-390.84
-63.80
-3.37
8,594.27 21,329.00
262.23
858.73
3,874.00
51.26
34,098.36 105,168.90
1,184.43
DIFERENCIA PORCENTAJE
COSTO
DISTANCIA TIEMPO
4.98%
37.21%
18.27%
43.43%
59.54%
58.59%
-18.10%
-17.50%
-17.51%
50.36%
60.50%
45.53%
60.83%
62.99%
59.44%
-22.95%
-23.01%
-21.31%
10.50%
55.25%
52.57%
-4.53%
-0.37%
-1.49%
22.19%
24.98%
23.85%
4.22%
10.87%
11.17%
22.86%
34.11%
29.14%
Fuente: Elaboración Propia
Caso 3:
Se realizó una corrida de las obras 1, 2, 3, 4, 5, 6 obteniendo algunos
resultados negativos, estos resultados son debido a:

Asignación de modelos de maquinarias distintas

Maquinarias en distintos lugares

Mayor tiempo entre asignación de maquinarias
Tabla N° 14 Prueba caso 3
OBRAS
OBRA 1
OBRA 2
OBRA 3
OBRA 4
OBRA 5
OBRA 6
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
14,707.14 25,097.10
381.99 11,291.63 10,584.80
248.90
24,683.54 51,685.70
653.19 26,149.12 47,822.00
622.50
5,603.24 8,698.00
116.67 3,789.80 5,472.00
75.18
25,817.67 56,221.00
759.69 14,331.02 23,569.00
431.78
3,609.19 6,063.00
81.68 1,154.95 1,626.00
25.57
3,998.19 11,053.00
138.43 5,134.94 13,596.00
167.93
78,418.97 158,817.80 2,131.65 61,851.46 102,669.80 1,571.87
DIFERENCIA CANTIDAD
COSTO DISTANCIA TIEMPO
3,415.51 14,512.30
133.09
-1,465.58 3,863.70
30.69
1,813.44 3,226.00
41.49
11,486.65 32,652.00
327.91
2,454.24 4,437.00
56.11
-1,136.75 -2,543.00
-29.50
16,567.51 56,148.00
559.78
Fuente: Elaboración Propia
89
DIFERENCIA PORCENTAJE
COSTO DISTANCIA TIEMPO
23.22%
57.82%
34.84%
-5.94%
7.48%
4.70%
32.36%
37.09%
35.56%
44.49%
58.08%
43.16%
68.00%
73.18%
68.70%
-28.43%
-23.01%
-21.31%
21.13%
35.35%
26.26%
Caso 4:
Se realizó una corrida de las obras 7, 8, 9 obteniendo algunos resultados
negativos, estos resultados son debido a:

Asignación de modelos de maquinarias distintas
Tabla N° 15 Prueba caso 4
OBRAS
OBRA 7
OBRA 8
OBRA 9
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
3,047.82 11,129.00
146.93
3,125.12
5,095.00
71.65
8,623.70 17,307.20
227.06
2,077.81
4,924.00
71.00
38,727.72 85,385.00
1,099.48 30,340.30 64,056.00
837.25
50,399.24 113,821.20
1,473.47 35,543.23 74,075.00
979.90
DIFERENCIA CANTIDAD
COSTO DISTANCIA TIEMPO
-77.30
6,034.00
75.28
6,545.89 12,383.20
156.06
8,387.42 21,329.00
262.23
14,856.01 39,746.20
493.57
DIFERENCIA PORCENTAJE
COSTO DISTANCIA TIEMPO
-2.54%
54.22%
51.24%
75.91%
71.55%
68.73%
21.66%
24.98%
23.85%
29.48%
34.92%
33.50%
Fuente: Elaboración Propia
Caso 5:
Se realizó una corrida de las obras 10, 11, 12 y 13 obteniendo resultados
positivos.
Tabla N° 16 Prueba caso 5
OBRAS
OBRA 10
OBRA 11
OBRA 12
OBRA 13
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
10,038.40 23,375.00
311.00
6,581.26 16,296.00
210.15
4,701.22 11,770.00
155.60
2,516.01
4,963.00
66.45
20,340.83 35,655.00
458.83 17,838.04 30,915.00
393.75
25,040.66 53,925.00
697.09 12,605.67 24,903.00
329.88
60,121.11 124,725.00
1,622.52 39,540.98 77,077.00
1,000.23
DIFERENCIA CANTIDAD
COSTO
DISTANCIA TIEMPO
3,457.14
7,079.00
100.85
2,185.21
6,807.00
89.15
2,502.79
4,740.00
65.08
12,434.99 29,022.00
367.21
20,580.13 47,648.00
622.29
DIFERENCIA PORCENTAJE
COSTO
DISTANCIA TIEMPO
34.44%
30.28%
32.43%
46.48%
57.83%
57.29%
12.30%
13.29%
14.18%
49.66%
53.82%
52.68%
34.23%
38.20%
38.35%
Fuente: Elaboración Propia
Caso 6:
Se realizó una corrida de las obras 14, 15, 16 obteniendo algunos resultados
negativos, estos resultados son debido a:

Asignación de modelos de maquinarias distintas
Tabla N° 17 Prueba caso 6
OBRAS
OBRA 14
OBRA 15
OBRA 16
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
20,194.18
48,684.00
609.49 18,178.35 36,808.00
458.67
21,891.83
39,100.00
513.31 20,095.64 36,594.00
470.43
2,588.59
12,339.00
160.97
3,175.72
6,699.00
88.18
44,674.60 100,123.00
1,283.77 41,449.70 80,101.00
1,017.28
DIFERENCIA CANTIDAD
COSTO
DISTANCIA TIEMPO
2,015.83 11,876.00
150.82
1,796.19
2,506.00
42.88
-587.13
5,640.00
72.79
3,224.90 20,022.00
266.49
Fuente: Elaboración Propia
90
DIFERENCIA PORCENTAJE
COSTO DISTANCIA TIEMPO
9.98%
24.39%
24.75%
8.20%
6.41%
8.35%
-22.68%
45.71%
45.22%
7.22%
20.00%
20.76%
Caso 7:
Se realizó una corrida de las obras 17, 18, 19 obteniendo resultados
positivos.
Tabla N° 18 Prueba caso 7
OBRAS
OBRA 17
OBRA 18
OBRA 19
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO COSTO
DISTANCIA TIEMPO
14,520.31 31,768.00
421.83 5,974.77 13,152.00
176.53
2,504.49 4,127.00
54.65
379.40
448.00
8.00
8,085.14 13,672.00
166.54 5,281.50 8,960.00
117.37
25,109.94 49,567.00
643.02 11,635.67 22,560.00
301.90
DIFERENCIA CANTIDAD
COSTO DISTANCIA TIEMPO
8,545.54 18,616.00
245.30
2,125.09 3,679.00
46.65
2,803.64 4,712.00
49.17
13,474.27 27,007.00
341.12
DIFERENCIA PORCENTAJE
COSTO DISTANCIA TIEMPO
58.85%
58.60%
58.15%
84.85%
89.14%
85.36%
34.68%
34.46%
29.53%
53.66%
54.49%
53.05%
Fuente: Elaboración Propia
Caso 8:
Se realizó una corrida de las obras 1, 10, 11, 16, 17 obteniendo resultados
positivos.
Tabla N° 19 Prueba caso 8
OBRAS
OBRA 1
OBRA 10
OBRA 11
OBRA 16
OBRA 17
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
14,707.14 25,097.10
381.99
2,191.65
3,596.00
60.97
10,038.40 23,375.00
311.00
6,913.69 16,692.00
217.07
4,701.22 11,770.00
155.60
1,527.22
3,819.00
51.93
2,588.59 12,339.00
160.97
803.46
2,407.00
36.97
14,520.31 31,768.00
421.83
5,802.76 13,109.00
176.42
46,555.66 104,349.10
1,431.39 17,238.79 39,623.00
543.35
DIFERENCIA CANTIDAD
COSTO
DISTANCIA TIEMPO
12,515.49 21,501.10
321.02
3,124.71
6,683.00
93.93
3,174.00
7,951.00
103.67
1,785.13
9,932.00
124.00
8,717.55 18,659.00
245.41
29,316.87 64,726.10
888.04
DIFERENCIA PORCENTAJE
COSTO
DISTANCIA TIEMPO
85.10%
85.67%
84.04%
31.13%
28.59%
30.20%
67.51%
67.55%
66.62%
68.96%
80.49%
77.04%
60.04%
58.74%
58.18%
62.97%
62.03%
62.04%
Fuente: Elaboración Propia
Caso 9:
Se realizó una corrida de las obras 1, 11, 12, 15, 18 obteniendo resultados
positivos.
Tabla N° 20 Prueba caso 9
OBRAS
OBRA 1
OBRA 11
OBRA 12
OBRA 15
OBRA 18
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
14,707.14 25,097.10
381.99
3,531.99
6,092.00
92.67
4,701.22 11,770.00
155.60
2,475.83
4,963.00
66.45
20,340.83 35,655.00
458.83 17,664.50 30,915.00
393.75
21,891.83 39,100.00
513.31 11,311.36 20,008.00
264.88
2,504.49
4,127.00
54.65
429.80
448.00
8.00
64,145.51 115,749.10
1,564.38 35,413.48 62,426.00
825.75
DIFERENCIA CANTIDAD
COSTO
DISTANCIA TIEMPO
11,175.15 19,005.10
289.32
2,225.39
6,807.00
89.15
2,676.33
4,740.00
65.08
10,580.47 19,092.00
248.43
2,074.69
3,679.00
46.65
28,732.03 53,323.10
738.63
Fuente: Elaboración Propia
91
DIFERENCIA PORCENTAJE
COSTO
DISTANCIA TIEMPO
75.98%
75.73%
75.74%
47.34%
57.83%
57.29%
13.16%
13.29%
14.18%
48.33%
48.83%
48.40%
82.84%
89.14%
85.36%
44.79%
46.07%
47.22%
Caso 10:
Se realizó una corrida de las obras 1, 2, 12, 13, 14 obteniendo algunos
resultados negativos, estos resultados son debido a:

Asignación de modelos de maquinarias distintas

Maquinarias en distintos lugares

Mayor tiempo entre asignación de maquinarias
Tabla N° 21 Prueba caso 10
OBRAS
OBRA 1
OBRA 2
OBRA 12
OBRA 13
OBRA 14
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
14,707.14 25,097.10
381.99 11,287.52 18,833.00
254.15
24,683.54 51,685.70
653.19 29,298.85 52,644.00
679.70
20,340.83 35,655.00
458.83 13,041.45 22,355.00
286.75
25,040.66 53,925.00
697.09 12,960.08 26,553.00
349.13
20,194.18 48,684.00
609.49 18,178.35 36,808.00
458.67
104,966.35 215,046.80
2,800.59 84,766.25 157,193.00
2,028.40
DIFERENCIA CANTIDAD
COSTO
DISTANCIA TIEMPO
3,419.62
6,264.10
127.84
-4,615.31
-958.30
-26.51
7,299.38 13,300.00
172.08
12,080.58 27,372.00
347.96
2,015.83 11,876.00
150.82
20,200.10 57,853.80
772.19
DIFERENCIA PORCENTAJE
COSTO
DISTANCIA TIEMPO
23.25%
24.96%
33.47%
-18.70%
-1.85%
-4.06%
35.89%
37.30%
37.50%
48.24%
50.76%
49.92%
9.98%
24.39%
24.75%
19.24%
26.90%
27.57%
Fuente: Elaboración Propia
Caso 11:
Se realizó una corrida de las obras 3, 5, 8 obteniendo resultados positivos.
Tabla N° 22 Prueba caso 11
OBRAS
OBRA 3
OBRA 5
OBRA 8
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
5,603.24
8,698.00
116.67
2,099.41
3,216.00
46.20
3,609.19
6,063.00
81.68
940.80
1,120.00
20.00
8,623.70 17,307.20
227.06
2,166.19
4,850.00
70.00
17,836.13 32,068.20
425.41
5,206.40
9,186.00
136.20
DIFERENCIA CANTIDAD
COSTO DISTANCIA TIEMPO
3,503.84
5,482.00
70.47
2,668.39
4,943.00
61.68
6,457.51 12,457.20
157.06
12,629.73 22,882.20
289.21
DIFERENCIA PORCENTAJE
COSTO DISTANCIA TIEMPO
62.53%
63.03%
60.40%
73.93%
81.53%
75.51%
74.88%
71.98%
69.17%
70.81%
71.35%
67.98%
Fuente: Elaboración Propia
Caso 12:
Se realizó una corrida de las obras 4, 6, 9, 10 obteniendo algunos resultados
negativos, estos resultados son debido a:

Asignación de modelos de maquinarias distintas

Maquinarias en distintos lugares

Mayor tiempo entre asignación de maquinarias
92
Tabla N° 23 Prueba caso 12
OBRAS
OBRA 4
OBRA 6
OBRA 9
OBRA 10
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
25,817.67 56,221.00
759.69 11,838.28 26,477.00
338.02
3,998.19 11,053.00
138.43
4,915.87 13,596.00
167.93
38,727.72 85,385.00
1,099.48 30,133.45 64,056.00
837.25
10,038.40 23,375.00
311.00
6,874.75 15,929.00
209.38
78,581.98 176,034.00
2,308.60 53,762.35 120,058.00
1,552.58
DIFERENCIA CANTIDAD
COSTO DISTANCIA TIEMPO
13,979.39 29,744.00
421.67
-917.68 -2,543.00
-29.50
8,594.27 21,329.00
262.23
3,163.65
7,446.00
101.62
24,819.63 55,976.00
756.02
DIFERENCIA PORCENTAJE
COSTO DISTANCIA TIEMPO
54.15%
52.91%
55.51%
-22.95%
-23.01%
-21.31%
22.19%
24.98%
23.85%
31.52%
31.85%
32.67%
31.58%
31.80%
32.75%
Fuente: Elaboración Propia
Caso 13:
Se realizó una corrida de las obras 2, 4, 9 obteniendo resultados positivos.
Tabla N° 24 Prueba caso 13
OBRAS
OBRA 2
OBRA 4
OBRA 9
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
24,683.54 51,685.70
653.19 10,048.02 16,437.60
215.10
25,817.67 56,221.00
759.69 15,756.49 37,614.00
475.97
38,727.72 85,385.00
1,099.48 30,340.30 64,056.00
837.25
89,228.93 193,291.70
2,512.36 56,144.80 118,107.60
1,528.32
DIFERENCIA CANTIDAD
COSTO
DISTANCIA TIEMPO
14,635.52 35,248.10
438.09
10,061.18 18,607.00
283.72
8,387.42 21,329.00
262.23
33,084.13 75,184.10
984.04
DIFERENCIA PORCENTAJE
COSTO
DISTANCIA TIEMPO
59.29%
68.20%
67.07%
38.97%
33.10%
37.35%
21.66%
24.98%
23.85%
37.08%
38.90%
39.17%
Fuente: Elaboración Propia
Caso 14:
Se realizó una corrida de las obras 13, 14, 15, 16, 17, 18, 19 obteniendo
resultados positivos.
Tabla N° 25 Prueba caso 14
OBRAS
OBRA 13
OBRA 14
OBRA 15
OBRA 16
OBRA 17
OBRA 18
OBRA 19
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
25,040.66 53,925.00
697.09 10,998.05 22,997.00
305.10
20,194.18 48,684.00
609.49 15,429.12 35,096.00
437.33
21,891.83 39,100.00
513.31 17,940.81 34,124.00
437.43
2,588.59 12,339.00
160.97
2,486.08
5,332.00
71.93
14,520.31 31,768.00
421.83
7,385.48 17,028.00
226.02
2,504.49
4,127.00
54.65
435.40
560.00
10.00
8,085.14 13,672.00
166.54
6,953.24 11,575.00
149.83
67,126.67 141,709.00
1,819.89 44,367.98 92,217.00
1,179.87
DIFERENCIA CANTIDAD
COSTO
DISTANCIA TIEMPO
14,042.61 30,928.00
391.99
4,765.06 13,588.00
172.16
3,951.02
4,976.00
75.88
102.51
7,007.00
89.04
7,134.83 14,740.00
195.81
2,069.09
3,567.00
44.65
1,131.90
2,097.00
16.71
22,758.69 49,492.00
640.02
DIFERENCIA PORCENTAJE
COSTO
DISTANCIA TIEMPO
56.08%
57.35%
56.23%
23.60%
27.91%
28.25%
18.05%
12.73%
14.78%
3.96%
56.79%
55.31%
49.14%
46.40%
46.42%
82.62%
86.43%
81.70%
14.00%
15.34%
10.03%
33.90%
34.93%
35.17%
Fuente: Elaboración Propia
Caso 15:
Se realizó una corrida de las obras 8, 10, 14, 17 obteniendo resultados
positivos.
93
Tabla N° 26 Prueba caso 15
OBRAS
OBRA 8
OBRA 10
OBRA 14
OBRA 17
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
8,623.70 17,307.20
227.06
2,199.12
4,850.00
70.00
10,038.40 23,375.00
311.00
5,295.83 12,535.00
163.82
20,194.18 48,684.00
609.49 18,178.35 36,808.00
458.67
14,520.31 31,768.00
421.83
6,101.99 14,416.00
193.80
53,376.59 121,134.20
1,569.38 31,775.29 68,609.00
886.28
DIFERENCIA CANTIDAD
COSTO DISTANCIA TIEMPO
6,424.58 12,457.20
157.06
4,742.57 10,840.00
147.18
2,015.83 11,876.00
150.82
8,418.32 17,352.00
228.03
21,601.30 52,525.20
683.10
DIFERENCIA PORCENTAJE
COSTO DISTANCIA TIEMPO
74.50%
71.98%
69.17%
47.24%
46.37%
47.33%
9.98%
24.39%
24.75%
57.98%
54.62%
54.06%
40.47%
43.36%
43.53%
Fuente: Elaboración Propia
Caso 16:
Se realizó una corrida de las obras 4, 5, 6, 9, 20 obteniendo algunos
resultados negativos, estos resultados son debido a:

Asignación de modelos de maquinarias distintas

Maquinarias en distintos lugares

Mayor tiempo entre asignación de maquinarias
Tabla N° 27 Prueba caso 16
OBRAS
OBRA 4
OBRA 5
OBRA 6
OBRA 9
OBRA 20
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
25,817.67 56,221.00
759.69 12,675.74 27,136.00
348.38
3,609.19
6,063.00
81.68
2,500.12
3,555.00
50.38
3,998.19 11,053.00
138.43
4,915.87 13,596.00
167.93
38,727.72 85,385.00
1,099.48 30,133.45 64,056.00
837.25
5,029.45
8,435.00
112.74
2,851.07
4,893.00
63.87
77,182.22 167,157.00
2,192.02 53,076.25 113,236.00
1,467.82
DIFERENCIA CANTIDAD
COSTO DISTANCIA TIEMPO
13,141.93 29,085.00
411.31
1,109.07
2,508.00
31.30
-917.68 -2,543.00
-29.50
8,594.27 21,329.00
262.23
2,178.38
3,542.00
48.87
24,105.97 53,921.00
724.20
DIFERENCIA PORCENTAJE
COSTO DISTANCIA TIEMPO
50.90%
51.73%
54.14%
30.73%
41.37%
38.32%
-22.95%
-23.01%
-21.31%
22.19%
24.98%
23.85%
43.31%
41.99%
43.35%
31.23%
32.26%
33.04%
Fuente: Elaboración Propia
Caso 17:
Se realizó una corrida de las obras 2, 3, 5, 6, 10, 11, 19 obteniendo algunos
resultados negativos, estos resultados son debido a:

Asignación de modelos de maquinarias distintas

Maquinarias en distintos lugares

Mayor tiempo entre asignación de maquinarias
94
Tabla N° 28 Prueba caso 17
OBRAS
OBRA 2
OBRA 3
OBRA 5
OBRA 6
OBRA 10
OBRA 11
OBRA 19
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
24,683.54 51,685.70
653.19 26,283.75 47,822.00
622.50
5,603.24
8,698.00
116.67
2,099.42
3,219.00
45.80
3,609.19
6,063.00
81.68
1,154.95
1,626.00
25.57
3,998.19 11,053.00
138.43
5,134.94 13,596.00
167.93
10,038.40 23,375.00
311.00
6,672.60 14,732.00
193.45
4,701.22 11,770.00
155.60
2,050.87
4,749.00
65.02
8,085.14 13,672.00
166.54
4,842.60
7,730.00
102.63
60,718.92 126,316.70
1,623.11 48,239.14 93,474.00
1,222.90
DIFERENCIA CANTIDAD
COSTO DISTANCIA TIEMPO
-1,600.21
3,863.70
30.69
3,503.82
5,479.00
70.87
2,454.24
4,437.00
56.11
-1,136.75 -2,543.00
-29.50
3,365.80
8,643.00
117.55
2,650.35
7,021.00
90.58
3,242.54
5,942.00
63.91
12,479.79 32,842.70
400.21
DIFERENCIA PORCENTAJE
COSTO DISTANCIA TIEMPO
-6.48%
7.48%
4.70%
62.53%
62.99%
60.74%
68.00%
73.18%
68.70%
-28.43%
-23.01%
-21.31%
33.53%
36.98%
37.80%
56.38%
59.65%
58.22%
40.10%
43.46%
38.37%
20.55%
26.00%
24.66%
Fuente: Elaboración Propia
Caso 18:
Se realizó una corrida de las obras 1, 4, 6, 10, 13, 16, 19 obteniendo algunos
resultados negativos, estos resultados son debido a:

Asignación de modelos de maquinarias distintas

Maquinarias en distintos lugares

Mayor tiempo entre asignación de maquinarias
Tabla N° 29 Prueba caso 18
OBRAS
OBRA 1
OBRA 4
OBRA 6
OBRA 10
OBRA 13
OBRA 16
OBRA 19
TOTAL
REAL
ALGORITMO
COSTO
DISTANCIA TIEMPO
COSTO
DISTANCIA TIEMPO
14,707.14 25,097.10
381.99
4,117.70
6,759.00
102.55
25,817.67 56,221.00
759.69 14,155.86 23,209.00
426.95
3,998.19 11,053.00
138.43
5,134.94 13,596.00
167.93
10,038.40 23,375.00
311.00
6,658.74 14,322.00
189.23
25,040.66 53,925.00
697.09 13,383.08 26,877.00
352.48
2,588.59 12,339.00
160.97
986.59
4,296.00
59.68
8,085.14 13,672.00
166.54
5,790.03
9,217.00
120.77
90,275.79 195,682.10
2,615.71 50,226.93 98,276.00
1,419.60
DIFERENCIA CANTIDAD
COSTO DISTANCIA TIEMPO
10,589.44 18,338.10
279.44
11,661.82 33,012.00
332.74
-1,136.75 -2,543.00
-29.50
3,379.66
9,053.00
121.77
11,657.58 27,048.00
344.61
1,602.00
8,043.00
101.29
2,295.11
4,455.00
45.77
40,048.86 97,406.10
1,196.11
DIFERENCIA PORCENTAJE
COSTO DISTANCIA TIEMPO
72.00%
73.07%
73.15%
45.17%
58.72%
43.80%
-28.43%
-23.01%
-21.31%
33.67%
38.73%
39.15%
46.55%
50.16%
49.44%
61.89%
65.18%
62.92%
28.39%
32.58%
27.48%
44.36%
49.78%
45.73%
Fuente: Elaboración Propia
Como mencionamos, estos casos nos han servido para poder ajustar
nuestra solución en referencia de las condiciones que tenemos, manejando
las variables de costo, distancia y tiempo. Es importante mencionar que la
explicación a detalle de los resultados se dará con el caso que contiene las
20 obras comparado con la información real.
Mediante el trabajo realizado, pudimos hacer la corrida de las 20 obras
comparando con la información real y obtener los siguientes resultados.
95
A continuación se muestra los datos utilizados para realizar las pruebas:
Tabla N° 30 Datos Reales Vs Algoritmo
OBRAS
obra1
obra2
obra3
obra4
obra5
obra6
obra7
obra8
obra9
obra10
obra11
obra12
obra13
obra14
obra15
obra16
obra17
obra18
obra19
obra20
TOTAL
COSTO
14,707.13
24,683.54
5,603.24
25,817.66
3,609.19
3,998.21
3,047.82
8,623.72
38,727.69
10,038.41
4,701.22
20,340.84
25,040.63
20,194.16
21,891.85
2,588.59
14,520.31
2,504.48
8,085.14
5,029.45
263,753.29
REAL
DISTANCIA
25,097.10
51,685.70
8,698.00
56,221.00
6,063.00
11,053.00
11,129.00
17,307.20
85,385.00
23,375.00
11,770.00
35,655.00
53,925.00
48,684.00
39,100.00
12,339.00
31,768.00
4,127.00
13,672.00
8,435.00
555,489.00
TIEMPO
COSTO
382.02 12,776.59
653.23 14,213.28
116.67
6,809.13
759.68 11,205.46
81.68
1,967.84
138.47
2,573.71
146.95
3,812.76
227.07
8,222.27
1,099.33 33,167.25
311.05
8,096.22
155.65
2,256.56
458.92 17,269.48
697.07 15,615.20
609.33 18,288.85
513.40 11,206.65
160.98
3,232.25
421.75 11,495.42
54.65
1,080.71
166.53
6,115.53
112.73
2,420.29
7,267.17 191,825.45
ALGORITMO
DISTANCIA
16,204.50
21,971.80
10,973.00
19,635.00
3,100.00
7,516.00
10,876.00
18,071.80
69,361.00
17,499.00
8,359.00
27,883.00
30,225.00
39,376.00
16,756.00
6,585.00
25,422.00
1,527.00
9,541.00
4,166.00
365,048.10
TIEMPO
299.78
283.17
146.67
382.13
43.73
94.60
142.28
238.63
900.17
233.87
110.67
358.67
398.12
490.67
225.87
89.92
340.17
21.13
125.27
58.67
4,984.17
Fuente: Elaboración Propia
4.1.2. Prueba de Funcionalidad
Las pruebas de funcionalidad consistieron en el diseño y ejecución de los
diferentes casos de pruebas a través de la herramienta SOATEST. Los
casos de pruebas se desarrollaron siguiendo los userstories, estos se
detallan en el Documento de Casos de Pruebas.
4.1.3Prueba de rendimiento
Para las pruebas de rendimiento o stress se utilizó la herramienta LOAD
TEST en el cual se configuró las siguientes variables de inicio:
96
Tabla N° 31 Variables de Inicio en Load Test
Variables
Valor
Cantidad de Usuarios
Tiempo total de Ejecución de pruebas (horas)
Cantidad deObras simuladas
3
5
100
Fuente: Elaboración Propia
Además para evaluar si las pruebas fueron exitosas o tuvieron fallas se
configuró los factores de éxito o fracaso, las cuales son las siguientes:
Tabla N° 32 Cuadro de Factores de Éxito o Fracaso
Factores de éxito y fracaso
Sin fallas
100% Éxito
Tiempo de Servidor (mínimo)
Tasa de Coincidencia
Tiempo de ejecución (mínimo)
Valor
Contador de fallas debe ser == 0
Porcentaje de pérdida total debe ser ==0%
Promedio del tiempo del servidor debe ser <200.0
Rendimiento final debe ser >= 10 hits por segundos.
Promedio tiempo de ejecución (ms) debe ser<300
Fuente: Elaboración Propia
4.1.4Prueba de integridad
Para las pruebas de integridad se comparó la información almacenada en la
base de datos con la información que muestra los diferentes reportes del
aplicativo. Para que la prueba sea exitosa se debe tener el 99.97% de
similitud de los datos como mínimo.
97
4.2. Resultado
De acuerdo a la ejecución de las pruebas realizadas a la aplicación se
obtuvieron los siguientes resultados:
4.2.1. Resultado de algoritmo
Habiendo realizado la prueba de las 20 obras y comparado con los datos
reales de cada obra, podemos decir que en términos generales hemos
tenido un mejor resultado respecto a nuestras variables propuestas (costo,
distancia y tiempo) la cual presentamos:
a) Costo
Total Real = S/. 263,753.29
Total Algoritmo = S/. 191,825.45
Se ha obtenido una variación positiva respecto a nuestra
solución
en términos absolutos monetarios de S/.
71,927.84 y en términos relativos de 27.27%.
b) Distancia
Total Real = 555,489.00 KM
Total Algoritmo = 365,048.10 KM
Se ha obtenido una variación positiva respecto a nuestra
solución en términos absolutos kilómetros de 190,440.90
KM y en términos relativos de 34.28%.
c) Tiempo
Total Real = 7,267.17 H
Total Algoritmo = 4,984.17 H
Se ha obtenido una variación positiva respecto a nuestra
solución en términos absolutos horas de 2,283.00 H y en
términos relativos de 31.42%.
Para poder analizar los resultados que se ha obtenido y comprobar nuestras
hipótesis, hemos realizado el método estadístico de Pruebas de los rangos
con signo de Wilcoxon.
A continuación mostramos los resultados y comparaciones realizadas:
98
Tabla N° 33 Cuadro de comparación
OBRAS
obra1
obra2
obra3
obra4
obra5
obra6
obra7
obra8
obra9
obra10
obra11
obra12
obra13
obra14
obra15
obra16
obra17
obra18
obra19
obra20
TOTAL
REAL
COSTO DISTANCIA
14,707.13 25,097.10
24,683.54 51,685.70
5,603.24
8,698.00
25,817.66 56,221.00
3,609.19
6,063.00
3,998.21 11,053.00
3,047.82 11,129.00
8,623.72 17,307.20
38,727.69 85,385.00
10,038.41 23,375.00
4,701.22 11,770.00
20,340.84 35,655.00
25,040.63 53,925.00
20,194.16 48,684.00
21,891.85 39,100.00
2,588.59 12,339.00
14,520.31 31,768.00
2,504.48
4,127.00
8,085.14 13,672.00
5,029.45
8,435.00
263,753.29 555,489.00
ALGORITMO
TIEMPO
COSTO DISTANCIA TIEMPO
382.02 12,776.59 16,204.50
299.78
653.23 14,213.28 21,971.80
283.17
116.67
6,809.13 10,973.00
146.67
759.68 11,205.46 19,635.00
382.13
81.68
1,967.84
3,100.00
43.73
138.47
2,573.71
7,516.00
94.60
146.95
3,812.76 10,876.00
142.28
227.07
8,222.27 18,071.80
238.63
1,099.33 33,167.25 69,361.00
900.17
311.05
8,096.22 17,499.00
233.87
155.65
2,256.56
8,359.00
110.67
458.92 17,269.48 27,883.00
358.67
697.07 15,615.20 30,225.00
398.12
609.33 18,288.85 39,376.00
490.67
513.40 11,206.65 16,756.00
225.87
160.98
3,232.25
6,585.00
89.92
421.75 11,495.42 25,422.00
340.17
54.65
1,080.71
1,527.00
21.13
166.53
6,115.53
9,541.00
125.27
112.73
2,420.29
4,166.00
58.67
7,267.17 191,825.45 365,048.10
4,984.17
DIFERENCIA CANTIDAD
COSTO DISTANCIA TIEMPO
1,930.54
8,892.60
82.23
10,470.26 29,713.90
370.07
-1,205.89 -2,275.00
-30.00
14,612.20 36,586.00
377.55
1,641.35
2,963.00
37.95
1,424.50
3,537.00
43.87
-764.93
253.00
4.67
401.45
-764.60
-11.57
5,560.44 16,024.00
199.17
1,942.18
5,876.00
77.18
2,444.66
3,411.00
44.98
3,071.36
7,772.00
100.25
9,425.43 23,700.00
298.95
1,905.31
9,308.00
118.67
10,685.20 22,344.00
287.53
-643.66
5,754.00
71.07
3,024.89
6,346.00
81.58
1,423.78
2,600.00
33.52
1,969.61
4,131.00
41.27
2,609.16
4,269.00
54.07
71,928.00 190,441.00
2,283.00
Fuente: Elaboración Propia
Figura N° 27Gráfica según diferencia por cantidad
Fuente: Elaboración Propia
99
DIFERENCIA PORCENTAJE
COSTO DISTANCIA TIEMPO
13.13
35.43
21.53
42.42
57.49
56.65
-21.52
-26.16
-25.71
56.60
65.08
49.70
45.48
48.87
46.46
35.63
32.00
31.68
-25.10
2.27
3.18
4.66
-4.42
-5.09
14.36
18.77
18.12
19.35
25.14
24.81
52.00
28.98
28.90
15.10
21.80
21.84
37.64
43.95
42.89
9.43
19.12
19.47
48.81
57.15
56.01
-24.87
46.63
44.15
20.83
19.98
19.34
56.85
63.00
61.33
24.36
30.22
24.78
51.88
50.61
47.96
27.27
34.28
31.42
Figura N° 28 Gráfica según diferencia por porcentaje
Fuente: Elaboración Propia
Prueba de los rangos con signo de Wilcoxon
Nivel de significancia: 5%
d) Costo
Figura N° 29 Resultado del aplicativo SPSS- Costo
Fuente: Elaboración Propia
100
Dónde:
Si tenemos las siguientes hipótesis:
H10: El algoritmo no reducirá el costo de desplazamiento de asignación de
maquinarias en obras civiles por lo menos en 25%.
H11: El algoritmo reducirá el costo de desplazamiento de asignación de
maquinarias en obras civiles por lo menos en 25%.
Y nuestro resultado estadístico es:
p = 0,000338
<
0.05
Dado que nuestro p es menor que el nivel de significancia, entonces:
Aceptamos la hipótesis H11.
e) Distancia
Figura N° 30 Resultado del aplicativo SPSS- Distancia
Fuente: Elaboración Propia
101
Dónde:
Si tenemos las siguientes hipótesis:
H20: El algoritmo no reducirá la distancia de desplazamiento de asignación
de maquinarias en obras civiles por lo menos en 25%.
H21: El algoritmo reducirá la distancia de desplazamiento de asignación de
maquinarias en obras civiles por lo menos en 25%.
Y nuestro resultado estadístico es:
p = 0,000089
<
0.05
Dado que nuestro p es menor que el nivel de significancia, entonces:
Aceptamos la hipótesis H21.
f) Tiempo
Figura N° 31 Resultado del aplicativo SPSS- Tiempo
Fuente: Elaboración Propia
102
Dónde:
Si tenemos las siguientes hipótesis:
H30: El algoritmo no reducirá el tiempo de desplazamiento de asignación de
maquinarias en obras civiles por lo menos en 25%.
H31: El algoritmo reducirá el tiempo de desplazamiento de asignación de
maquinarias en obras civiles por lo menos en 25%.
Y nuestro resultado estadístico es:
p = 0,000189
<
0.05
Dado que nuestro p es menor que el nivel de significancia, entonces:
Aceptamos la hipótesis H31.
Justificación de resultados negativos
Para una mejor explicación se ha definido las siguientes condiciones:

Color amarillo: El caso real ha superado al caso del algoritmo.

Color verde: El caso del algoritmo ha superado al caso real.

Color blanco: No hay existe ninguna diferencia.

Color rojo: Motivo por el cual ha habido una variación.

Resultados negativos costos
Obra 3
Podemos notar que existe una variación entre el caso real y caso
del algoritmo en términos absolutos monetarios de S/. 1205.89 y
en términos relativos de 21.52%
A continuación se muestra las diferencias (Ver anexo 1).
Obra 7
Podemos notar que existe una variación entre el caso real y caso
del algoritmo en términos absolutos monetarios de S/. 764.93 y en
términos relativos de 25.10%
A continuación se muestra las diferencias (Ver anexo 2).
103
Obra 16
Podemos notar que existe una variación entre el caso real y caso
del algoritmo en términos absolutos monetarios de S/. 643.66 y en
términos relativos de 24.87%
A continuación se muestra las diferencias (Ver anexo 3).

Resultados negativos distancia
Obra 3
Podemos notar que existe una variación entre el caso real y caso
del algoritmo en términos absolutos kilómetros de 2275.00 km. y
en términos relativos de 26.16%
A continuación se muestra las diferencias (Ver anexo 4).
Obra 8
Podemos notar que existe una variación entre el caso real y caso
del algoritmo en términos absolutos kilómetros de 764.60 km. y en
términos relativos de 4.42%
A continuación se muestra las diferencias (Ver anexo 5).

Resultados negativos tiempo
Obra 3
Podemos notar que existe una variación entre el caso real y caso
del algoritmo en términos absolutos horas de 30 h. y en términos
relativos de 25.71%
A continuación se muestra las diferencias (Ver anexo 6).
Obra 8
Podemos notar que existe una variación entre el caso real y caso
del algoritmo en términos absolutos horas de 11.57 h. y en
términos relativos de 5.09%
A continuación se muestra las diferencias (Ver anexo 7).
104
4.2.2. Resultado de pruebas de funcionalidad
Los resultados para las pruebas de funcionalidad se agruparon de acuerdo a
la ejecución de los casos de prueba, los cuales son los siguientes:
Tabla N° 34 Resultados de Casos de Pruebas
Caso de prueba
Responsable
Fecha de Ejecución Resultado
Simulación de asignación de maquinarias Juan Rivera
05/11/2014 OK
Mantenimiento de maquinarias
Alonso Santillana
05/11/2014 OK
Fuente: Elaboración Propia
De acuerdo al cuadro anterior se puede concluir que las pruebas de
funcionalidad del proyecto fueron exitosas.
4.2.3. Resultado de pruebas de rendimiento
Los resultados que se obtuvieron en la ejecución de las pruebas de
rendimiento a través del Load Test son las siguientes:
Tabla N° 35 Resultados de Pruebas de Stress
Factores de éxito o fracaso
Sin fallas
100% Éxito
Tiempo de Servidor (mínimo)
Tasa de Coincidencia
Tiempo de ejecución (mínimo)
Valor Esperado
==0
==0%
<200.0
>=10
<300
Valor
Contador de fallas debe ser == 0
Porcentaje de pérdida total debe ser ==0%
Promedio del tiempo del servidor debe ser <200.0
Rendimiento final debe ser >= 10 hits por segundos.
Promedio tiempo de ejecución (ms) debe ser<300
Resultado
OK
OK
OK
OK
OK
Fuente: Elaboración Propia
En el cuadro anterior se observa que las pruebas de rendimiento estuvieron
dentro del rango óptimo establecido con lo cual se concluye que las pruebas
fueron exitosas.
4.2.4. Resultado de pruebas de integridad
Mediante sentencias SQL se obtuvo la información de la base datos con cual
se comparó con los diferentes reportes y se obtuvo el siguiente resultado:

En los campos de texto los datos coinciden en un 99.999%
105

En los campos numéricos los datos coinciden en un 99.987%

En los campos de fechas coinciden en un 99.999%
Se puede concluir que las pruebas de integridad de datos fueron exitosas.
4.2.5. Semejanzas y diferencias de algoritmos de optimización
Para llevar a cabo las semejanzas y diferencias de los algoritmos de
optimización se analizaron el algoritmo de Húngaro y Gutza, donde se
realizaron simulación con la data actual tal como se realizó para el algoritmo
creado. (Ver anexo 9).
Tabla N° 36 Comparativo de algoritmos de optimización
Algoritmo de asignación
de maquinaria a obras de
Algoritmo Húngaro
la empresa CONTRATISTAS
GENERALES S.A.C.
Semejanza/Diferencia
Orden de complejidad
Tipo de recursión
Tipos de problemas a solucionar
Tipo de algoritmo
Niveles del algoritmo
O(n2)
Recursión indirecta
No Polinomica
Secuencial/Paralelo
3
O(n3)
Recursión directa
Polinomica
Secuencial
1
Obras / Fases /
Obras / Maquinarias
Maquinarias / Fechas /
/ Distancia
Costo / Distancia / Tiempo
Variables iniciales
Servicios utilizados
Escalabilidad
Facilidad de uso
Resultado reducción de costo de desplazamiento
Resultado reducción de distancia de desplazamiento
Resultado reducción de tiempo de desplazamiento
Google maps
Si
Ninguno
No
Algoritmo fácil de
implementar
Algoritmo fácil de
implementar
31.42%.
34.28%.
31.42%.
13.39%
-
Algoritmo Gupta
O(n2)
Recursión indirecta
No Polinomica
Secuencial
1
Obras /
Maquinarias /
Tiempo
Ninguno
No
Algoritmo con
dificultad de
implementar
-
Fuente: Elaboración Propia
Sorett,I (2011) mencionó que el algoritmo Húngaro modela un problema de
asignación como una matriz de costes n×m, donde cada elemento
representa el coste de asignar el enésimo trabajador al enésimo trabajo.
Este algoritmo se usa para resolver problemas de minimización, ya que es
más eficaz que el empleado para resolver el problema del transporte por el
alto grado de degeneración que pueden presentar los problemas de
asignación. El problema de asignación tiene que ver con la asignación de
106
tareas a empleados, de territorios a vendedores, de contratos a postores o
de trabajos a plantas. Al aplicar el método de transporte y el método de
asignación la gerencia está buscando una ruta de distribución o una
asignación que optimizará algún objetivo; éste puede ser la minimización del
costo total, la maximización de las utilidades o la minimización del tiempo
total involucrado.
Restrepo, K. (2011), explicó que el algoritmo Gupta es un método el cual es
similar al de Palmer, excepto que él define los índices de una manera
diferente, tomando dentro de la cuenta unos interesantes hechos de la
optimización de la regla de Johnson para el problema de tres máquinas. El
algoritmo de Gupta para resolver un problema de programación de n tareas
a través de m maquinas. El objetivo es dar un mejor resultado de la medida
de desempeño que frecuentemente se utiliza es la optimización del tiempo
total de proceso de todas las tareas o trabajos en todas las maquinarias.
107
CAPÍTULO V
DISCUSIÓN Y APLICACIÓN
5.1. Discusión
Esta investigación tuvo como propósito desarrollar una solución para la
asignación de maquinarias a obras en la empresa constructora mediana
ARAMSA CONTRATISTAS GENERALES S.A.C. que mejore la asignación
en base a costo, tiempo y distancia.
El
beneficio
obtenido
por
la
empresaARAMSA
CONTRATISTAS
GENERALES SAC con el uso de la solución ofrecida es una disminución de
los costos en combustible a través de la asignación de las máquinas
(distancia y tiempo).Para evidenciar con exactitud el éxito de la solución
ofrecida fue necesario medir el costo, tiempo y distancia de una muestra de
20 obras con un rango tiempo de 2 años.
De los resultados obtenidos en esta investigación, según la relación variable
e hipótesis, podemos decir lo siguiente:
Tabla N° 37 Cuadro comparativo Hipótesis
VARIABLE
Costo
Distancia
Tiempo
HIPOTESIS RESULTADO CANT. RESULTADO %
25.00%
71,928.00
27.27%
25.00%
190,441.00
34.28%
25.00%
2,283.00
31.42%
Fuente: Elaboración Propia
Podemos notar que aplicando nuestra solución, se ha logrado un mejor
resultado respecto a la información recabada de la empresa ARAMSA
CONTRATISTAS GENERALES SAC (justificado estadísticamente mediante
la Prueba de los rangos con signo de Wilcoxon). A continuación mostramos
los resultados:
108
Figura N° 32 Comparación a nivel Distancia Real VS Algoritmo
Fuente: Elaboración Propia
Figura N° 33 Comparación a nivel Tiempo Real VS Algoritmo
Fuente: Elaboración Propia
109
5.2.
Aplicación
El presente proyecto tuvo como alcance el desarrollo de una solución de
asignación de maquinarias para el proceso de asignación. Es importante
mencionar que la arquitectura diseñada es flexible y escalable permitiendo la
incorporación de datos de otras áreas de la organización.
Si bien el algoritmo creado se ha construido utilizando datos de una empresa
en específico, es posible adaptarlo fácilmente para ser utilizado por otras
organizaciones que necesiten optimizar la asignación de sus recursos. Hay
empresas que manejan un mayor número demaquinariasde lo que nuestras
pruebas han contemplado pero, por la facilidad con que se puede adaptar el
modelo y el fácil manejo del software posible satisfacer cualquier
requerimiento, además de trabajar con un mayor número de variables.
Dejamos a disposición de las organizaciones de realizar ajustes o
variaciones al modelo planteado, como por ejemplo, preferencias de entrega
de algunas maquinarias a obras, trabajando con diferentes fechas de
entrega, prioridades o pesos a cada maquinaria.
Es así que este modelo es aplicable a todo sistema que requiera un
programa de asignación de recursos como: máquinas, personal y otros, es
por este motivo que nuestro modelo va más allá del sector construcción y
puede enfocarse también en otros sectores.
110
CONCLUSIONES
Primera:
Para la realización de un estudio de este tipo no se necesita
grandes inversiones económicas ni tecnológicas,
pues
contando con recursos limitados se ha logrado desarrollar el
presente trabajo, el cual es brindar una herramienta útil y
necesaria para que las organizaciones puedan optimizar la
utilización de sus recursos, maximizar sus contribuciones y de
esta manera cumplir con sus obligaciones como tal.
Segunda:
Se ha logrado desarrollar un algoritmo para solucionar el
problema de costo de desplazamiento de asignación de
maquinarias a obras civiles donde existen restricciones de
distancia y tiempo. Los resultados han demostrado que estos
problemas pueden ser resueltos eficientemente mediante
métodos heurísticos.
Tercera:
Comparando los resultados obtenidos según la asignación de
manera
manual por la
empresa
ARAMSA
Contratistas
Generales S.A.C. y nuestra solución, se obtuvieron las
siguientes conclusiones importantes:
Se puede observar que Nuestra solución reducirá el costo de
desplazamiento de asignación de maquinarias en obras civiles
en 27.27%, además de reducir la distancia de desplazamiento
de asignación de maquinarias en obras civiles por lo menos en
34.28% y finalmente reducir el tiempo de desplazamiento de
asignación de maquinarias en obras civiles por lo menos en
31.42%.
Por consiguiente podemos decir que nuestra solución garantiza
una reducción de costos asignación de maquinarias a obras
civiles de forma eficiente.
111
Cuarta:
La investigación realizada es un punto de partida para
comprender la importancia de la adecuada administración de
asignación de maquinarias a obras y se entenderá porque el
control es significativo para que las empresas tengan fortalezas
en sus capacidades competitivas.
Quinta:
Se concluye que el proyecto descrito, desarrolló un sistema de
información web, necesaria para asignación de maquinarias a
obras
de
construcción,
logrando
un
óptimo
registro
y
seguimiento de las maquinarias.
Sexta:
El motivo principal del presente estudio ha sido presentar el uso
de una de las herramientas útiles y necesarias para que las
organizaciones puedan optimizar la utilización de sus recursos
y maximizar sus contribuciones, de esta manera puedan
también cumplir con sus obligaciones tanto internas como
externas, así mismo competir en el mercado exigente de hoy.
Séptima:
Se ha logrado desarrollar un algoritmo tiene una orden de
complejidad cuadrática.
112
RECOMENDACIONES
Primera:
Los usuarios de negocio deben realizar exploraciones de la
información disponible con la finalidad de descubrir formas de
optimizar sus procesos o mejorar el cumplimiento de sus
metas.
Segunda:
De las metodologías ágiles como la utilizada en el presente
proyecto, Scrum permite que el desarrollo se vaya realizando
con prioridades establecidas por el mismo cliente, los plazos
que establece la metodología son cortos, lo cual ayuda a que el
desarrollo y finalización del proyecto sea en el menor tiempo
posible, además se realiza entregas pequeñas de acuerdo a lo
establecido con el cliente lo cual facilita realizar un seguimiento
de los avances del proyecto.
Tercera:
Se debe emplear un servidor Active Directory para manejar el
tema de perfiles de acceso.
Cuarta:
Es importante implementar logs de auditoría que registre la
información relacionada con la modificación de los archivos
asociados al aplicativo.
Quinta:
Si bien el algoritmo creado se ha construido utilizando datos de
una empresa, es posible adaptarlo fácilmente para ser utilizado
por otras organizaciones que necesiten optimizar la asignación
de sus recursos.
Sexta:
Hay empresas que manejan mucho más máquinas pero, por la
facilidad con que se puede adaptar el modelo y el fácil manejo
del software es posible ampliar a más las variables de trabajo.
Se podría hacer algunos ajustes o variaciones al modelo
planteado, como por ejemplo, preferencias de entrega de
algunas máquinas algunos de los obras, trabajando con
diferentes fechas de entrega, prioridades o pesos a cada
máquina.
113
Séptima:
Es así que este modelo es aplicable a todo sistema que
requiera un programa de asignación de recursos como:
máquinas, personal y otros por lo que va más allá del sector
construcción y puede enfocarse también en el sector servicios.
114
FUENTES DE INFORMACIÓN
Álvarez, A. (2011). Métodos Ágiles y SCRUM. Madrid: Anaya Multimedia.
Araujo, C. (2010). Procesos operativos. Recuperado EL 12 de Agosto del
2014
desde
http://cybertesis.unmsm.edu.pe/bitstream/cybertesis/3332/1/araujo_c
r.pdf
AsprovaCorporation(2008). Asignación eficiente de máquinas por la
programación de producción. Recuperado el 22 de Agosto de 2014
desde
http://kaizenqa.sakura.ne.jp/lean_manufacturing_japan_es/improve/c
uales_son_los_metodos_eficace.html
Bautista,M. (2007). El proceso proyecto-construcción: aplicación a la
ingeniería civil.Pontificia Universidad Javeriana de Colombia.
Bellini, F. (2004). Investigación de Operaciones. Recuperado el 22 de Agosto
de
2014
desdehttp://www.investigacion-
operaciones.com/modelo_de_transporte.htm
Chavarry,C. (2010). Control de costos en obras de construcción civil.
Recuperado
el
22
de
Agosto
de
2014
desde
http://cybertesis.usmp.edu.pe/bitstream/usmp/335/1/chavarry_cm.pdf
Cohn, M. (2010).Succeeding with Agile: Software Development using
SCRUM.USA: Pearson Education.
Kathryn, A. (2010). Heuristic design and fundamentals of the Simulated
Annealing.Recuperado
el
21
de
Agosto
del
2014
desdehttp://aepia.lcc.uma.es/index.php/ia/article/viewFile/718/710
León, S. M., Díaz, K. R., y Orendain, M. C. (2007). Utilización del modelo de
transporte para la asignación de trabajos a máquinas considerando
prioridades. Ingeniería, 11(2), p.47-65.
115
Lourenço, H.R. (2002).Heurísticas adaptativas para el problema de
asignación
generalizada
(Adaptiveheuristicsforthegeneralizedassignmentproblem).Recuperad
o
el
24
de
Agosto
del
2014
desde
http://www.econ.upf.edu/~ramalhin/PDFfiles/2002_AEB.pdf.
Medina, L. (2007). Utilización del modelo de transporte para la asignación de
trabajos a máquinas considerando prioridades. Recuperado el 29 de
Agosto
del
2014
desde
http://www.redalyc.org/articulo.oa?id=46711206
MINTRA (2010). Boletín de estadísticas ocupacionales. Ministerio de Trabajo
y promoción del empleo. Recuperado el 22 de Agosto de 2014
desdehttp://www.mintra.gob.pe/archivos/file/estadisticas/peel/beo/BE
O2010-III-6.pdf
Mony, R. y Noe, R. (2008).Administración de recursos Humanos. (9na ed.)
México: Pearson.
Moreno, F., Marthe, H. y Rebolledo, Y. (2010).Cómo escribir textos
académicos según normas internacionales: APA, IEEE, MLA,
VANCOUVER e ICONTEC. México:Santino.
Moya,M. J. (2008). Transporte Y Asignación Investigación de Operaciones 2.
Costa Rica: EUNED.
Muñoz, C. (1998). Cómo elaborar y asesorar una investigación de tesis.
México: Pearson Education.
Opaso, J. (2012). Sector Construcción: Chile, Perú y Colombia. Recuperado
el
22
de
Agosto
del
2014
desde
http://www.larrainvial.com/Content/descargas/productos/seminario_la
rrain/chile/2012/enero/01-Jorge_Opaso.pdf
Ramírez, R. (2010). Proyecto de Investigación, Cómo se hace una tesis.
Lima: Fondo Editorial Toribio.
116
Ramos, A. (2010).Modelos Matemáticos de optimización. Recuperado el 30
de
Agosto
del
2014
desde
http://www.gams.com/docs/contributed/modelado_en_gams.pdf
Robusté, F. (2009). Logística del transporte.UniversidadPolitécnica de
Catalunya.
Sanchéz, D. (2012).Resolviendo Problemas de Asignación Generalizada
(PAG)
con
Recuperado
Métodos
el
30
exactos
de
y
Aproximados.Recuperado.
Agosto
del
2014
desde
http://cecip.upaep.mx/conacyt/memorias2012/cd/documents/05_03.p
df
Sarabia, A. (1996). La investigación operativa: una herramienta para la
adopción de decisiones. España: Universidad Madrid Editorial.
Taha, H. (2012). Investigación de operaciones. México: Pearson Educación.
Tokeshi, A. (2011). Planifique, desarrolle y apruebe su tesis. Lima: Fondo
Editorial.
UDEP. (2011). Capítulo I: Análisis del sector construcción. Universidad de
Piura.
Recuperado
el
27
de
Agosto
de
2014
desde
http://www.biblioteca.udep.edu.pe/bibvirudep/tesis/pdf/1_97_204_59
_903.pdf
Vivanco, E. (2010). Elementos para la determinación del costo horario de los
equipos y la maquinaria del sector construcción. Recuperado el 22
de
Agosto
del
2014
desde
http://www.vivienda.gob.pe/dnc/archivos/Estudios_Normalizacion/No
rmalizacion/normas/norma_tecnica_calculo_costo.pdf
Wayne, L. W. (2006). Investigación de operaciones y aplicación de
algoritmos. México: Ed Thomson.
117
ANEXOS
Anexo N° 1 Resultado caso 1
119
Anexo N° 2 Resultado caso 2
120
Anexo N° 3 Resultado caso 3
121
Anexo N° 4 Resultado caso 4
122
Anexo N° 5 Resultado caso 5
123
Anexo N° 6 Resultado caso 6
124
Anexo N° 7 Resultado caso 7
125
OBJETIVO GENERAL
OG: Desarrollar un
algoritmo para la asignación
de maquinarias a obras en
la empresa constructora
mediana ARAMSA
OBJETIVOS
ESPECÍFICOS
OE1: Elaborar el algoritmo
para la asignación de
maquinarias a obras en la
empresa constructora
mediana ARAMSA
CONTRATISTAS
GENERALES S.A.C. que
mejore la asignación en
PP: Escasez de base a tiempo, distancia y
algoritmos para la costo.
asignación óptima de OE2: Probar el algoritmo
maquinarias a obras para la asignación de
maquinarias a obras en la
en empresas
empresa constructora
constructoras
medianas en el Perú. mediana ARAMSA
CONTRATISTAS
GENERALES S.A.C. que
mejore la asignación en
base a tiempo, distancia y
costo.
OE3: Afinar el algoritmo
para la asignación de
maquinarias a obras en la
empresa constructora
mediana ARAMSA
CONTRATISTAS
GENERALES S.A.C. que
mejore la asignación en
base a tiempo, distancia y
costo.
PROBLEMA
GENERAL
VARIABLES
126
Tiempo
Costo
HE3: El algoritmo, mejoró la
asignación de maquinarias a
obras respecto de la variable
costo.
Distancia
HE2: El algoritmo, mejoró la
asignación de maquinarias a
obras respecto de la variable
tiempo.
HE1: El algoritmo, mejoró la
asignación de maquinarias a
obras respecto de la variable
distancia.
VARIABLES
INDEPENDIENTES
Asignación de
Maquinarias
VARIABLES
HIPÓTESIS ESPECÍFICAS
DEPENDIENTES
HG: El algoritmo, mejoro la
asignación de maquinarias a
obras para empresas
constructoras del Perú.
HIPÓTESIS GENERAL
MATRIZ DE CONSISTENCIA
% de comparación de variable costo entre
valores reales versus valores del algoritmo
% de comparación de variable tiempo entre
valores reales versus valores del algoritmo
% de comparación de variable distancia
entre valores reales versus valores del
algoritmo
Performance total de los resultados de
comparación de las variables de tiempo,
distancia y costo
INDICADORES
Anexo N° 8 Matriz de consistencia
MAQUINARIAS
TRACTORES DE ORUGAS (BULLDOZER)
TRACTOR SOBRE NEUMATICOS (BULLDOZER)
EXCAVADORA DE ORUGAS
EXCAVADORA SOBRE NEUMATICOS
RETROEXCAVADORA
ZANJADORA
MOTOVIVELADORA
MOTOTRAYLA
RODILLO VIBRATORIO
RODILLO PATA CABRA
RODILLO NEUMATICO
RODILLO TAMDEM
VIBROAPIZONADOR
PLANCHA COMPACTADORA
CARGADOR FRONTAL SOBRE NEUMATICOS
CARGADOR FRONTAL SOBRE ORUGAS
CARGADOR MULTIPROPOSITO
PLANTA DE ASFALTO
PLANTA DE CONCRETO
PLANTA DOSIFICADORA DE AGREGADOS
PLANTA TRITURADORA
PLANTATRITURADORA MOVIL
PLANTA DE ZARANDEO
CAMION VOLQUETE
CAMION CISTERNA
CAMION MIXER DE CONCRETO
CAMION DE TRANSPORTE
CAMION IMPRIMADOR DE ASFALTO
CAMION BOMBA TELESCOPICA DE CONCRETO
CAMION PARA MOCROPAVIMENTO
TRACTOREMOLCADOR
PLATAFORMA ALTA
PLATAFORMA CAMA BAJA
TOLVA SEMI TRAYLER
COMPRESORA NEUMATICA
MARTILLO ROMPE PAVIMENTO
MARTILLO PERFORADOR
MARTILLO HIDRAULICO
GRUPO ELECTROGENO
GRUA TORRE
GRUA TELESCOPICA
FRESADORA SOBRE ORUGAS
ESPARCIDORA DE ASFALTO
ESPARCIDORA DE AGREGADOS
MOTOBOMBA
ELECTROBOMBA
MEZCLADORA DE CONCRETO
TROMPO MEZCLADOR DE CONCRETO
VIBRADOR DE CONCRETO
BOMBA IMPULSORA DE CONCRETO
CAMIONETA PICK UP
OMNIBUS
OBRA 1
116
116
232
232
116
116
116
348
348
232
232
232
232
232
232
116
348
232
116
348
116
2,496
1,248
2,496
1,248
2,496
2,496
1,248
1,248
1,248
3,744
7,488
2,496
2,496
1,248
1,248
2,496
2,496
4,992
1,248
1,248
1,248
2,496
7,488
-
OBRA 2
OBRA 3
536
268
804
268
268
268
268
536
-
2,078
3,117
2,078
1,039
1,039
3,117
2,078
5,195
2,078
2,078
2,078
2,078
2,078
3,117
2,078
2,078
2,078
6,234
-
OBRA 4
OBRA 5
112
112
112
224
112
224
112
112
1,236
1,854
1,236
618
1,854
2,472
618
1,236
1,236
2,472
618
1,236
1,854
-
OBRA 6
OBRA 7
214
321
107
107
214
321
107
107
-
OBRA 8
388
194
194
388
388
388
388
194
388
388
388
388
388
776
-
2,512
2,512
2,512
6,280
2,512
1,256
1,256
1,256
1,256
1,256
5,024
2,512
8,792
2,512
3,768
5,024
7,536
2,512
2,512
1,256
3,768
2,512
3,768
2,512
2,512
2,512
17,584
5,024
OBRA 9
624
624
1,248
624
624
1,872
1,872
624
1,248
1,872
624
1,248
624
1,248
2,496
1,248
OBRA 10
402
603
201
201
201
402
402
402
603
402
201
402
-
OBRA 11
OBRA 12
OBRA 13
OBRA 14
OBRA 15
OBRA 16
OBRA 17
OBRA 18
OBRA 19
OBRA 20
RESULTADO DISTANCIA (KM)
2,290
2,698
2,560
2,290
2,698
336
2,052
1,145
3,424
1,349
306
1,145
856
1,349
1,026
1,145
1,349
2,560
1,146
1,712
2,560
1,026
1,719
1,712
2,290
2,698
3,435
4,047
4,280
612
822
1,146
224
2,560
1,026
1,145
573
1,349
1,026
1,145
1,712
1,349
1,280
1,026
3,435
4,047
2,560
3,435
4,047
1,145
1,349
856
573
856
411
1,145
573
1,349
856
153
856
2,568
1,719
5,992
411
1,146
822
2,290
4,011
1,712
2,698
1,233
1,712
822
1,145
573
2,568
1,349
153
1,349
1,145
573
856
1,349
1,349
1,145
573
1,349
1,146
4,280
459
822
1,146
5,992
459
1,233
1,145
1,719
4,280
4,047
306
856
1,349
411
856
1,349
411
856
1,349
411
1,145
573
1,349
1,146
411
1,146
822
1,719
1,712
822
1,146
822
1,146
822
1,146
822
6,870
4,011
6,848
1,349
153
-
8,084
7,376
12,116
5,624
5,794
15,506
12,394
4,988
7,482
15,802
5,960
5,626
6,656
9,008
10,310
7,482
3,974
4,718
6,317
3,179
2,573
3,789
8,800
28,600
6,946
33,305
3,992
5,648
11,657
1,349
5,171
1,349
3,291
20,649
24,344
2,512
25,540
3,864
3,864
3,864
2,614
3,067
10,630
6,946
14,254
6,946
7,062
6,946
56,479
6,653
481,100
Anexo N° 9 Simulación de algoritmo Húngaro
127
Anexo N° 10 Product Backlog
Product Backlog
ALGORITMO PARA LA ASIGNACIÓN DE MAQUINARIAS A
OBRAS EN LA EMPRESA CONSTRUCTORA ARAMSA
CONTRATISTAS GENERALES S.A.C
128
PRODUCT BACKLOG
Descripción
En este documento se muestra el ProductBacklog de la solución, el cual
contiene descripciones genéricas de todos los requerimientos, funcionalidades
deseables priorizadas por el productowner. Contiene estimaciones a grosso
modo, tanto del valor para el negocio, como el esfuerzo del desarrollo requerido.
ProductBacklog
Requerimiento
Prioridad
Estimación
por días
Sprint
Debe tener mejores resultados de Costo de
asignación de maquinarias con lo real
1
4
1
Debe tener mejores resultados de Distancia
de asignación de maquinarias con lo real
2
4
1
3
4
1
4
1
1
5
1
1
Debe tener la estructura de obras
6
1
1
Debe mostrar las variables necesarias para
el proceso de asignación
1
1
2
Debe mostrar el resultado de la asignación
en costo
2
1
2
3
1
2
4
1
2
5
1
2
Debe mostrar reporte de asignación de
maquinarias por estructura de obra
1
2
3
Debe mostrar reporte de maquinas que no
han sido asignadas
2
2
3
Debe mostrar reporte de costo, distancia y
tiempo por obra
3
2
3
4
2
3
Debe tener mejores resultados de Tiempo de
asignación de maquinarias con lo real
Debe asignar todas las maquinarias que
tiene la empresa
Debe hacer la asignación por n obras
Debe mostrar el resultado de la asignación
en distancia
Debe mostrar el resultado de la asignación
en tiempo
Debe haber mantenimiento de data de
maquinarias
Debe permitir importar información a Excel
129
Anexo N° 11 Spring Backlog
Sprint Backlog
ALGORITMO PARA LA ASIGNACIÓN DE MAQUINARIAS A
OBRAS EN LA EMPRESA CONSTRUCTORA ARAMSA
CONTRATISTAS GENERALES S.A.C
130
SPRINT BACKLOG
Descripción
En este documento se muestra el Sprint Backlog del proyecto, el cual
describe como el equipo de trabajo va a implementar los requisitos
durante los sprint. Las tareas en el sprint backlog son tomadas por los
miembros del equipo del modo que parezca oportuno.
Sprint Backlog
Sprint Backlog
Prioridad
Tareas
Peso
Sprint #0
1
Definición de los Requerimientos
3
2
Establecer el ProductBacklog
1
3
Establecer el Sprint Backlog
1
4
Definir la Arquitectura Técnica
5
5
Recolección de Información
5
6
Análisis de recolección de Información
13
Sprint #1
1
Estudio de algoritmos referentes a asignación
5
2
Diseño de algoritmo de asignación de maquinaria
13
3
Desarrollo de pseudocódigo de algoritmo de asignación
8
4
Pruebas manuales de algoritmo de asignación
3
5
Retroalimentación de pruebas de algoritmo de asignación
8
Sprint #2
1
Diseño de base de datos
5
2
Diseño de aplicación
5
3
Desarrollo de solución
8
4
Pruebas de la solución
3
5
Retroalimentación de la solución
8
Sprint #3
1
Diseño de reportes
5
2
Desarrollo de reportes
8
131
Criterio de Ponderación
1
3
Fácil
Medianamente Fácil
5
8
13
Regular
Medianamente Difícil
Difícil
132
Anexo N° 12 US – CA - BDD Generar reporte de asignación
ALGORITMO PARA LA ASIGNACIÓN DE
MAQUINARIAS A OBRAS EN LA EMPRESA
CONSTRUCTORA ARAMSA CONTRATISTAS
GENERALES S.A.C
133
US – CA – BDD Generar reporte de asignación
Descripción
En el presente documento se muestra el UserStory, Criterios de Aceptación
y BehaviorDrivenDevelopment del proyecto.
Un userstory nos sirve como recordatorio para una conversación futura con
el cliente, la cual se usara para confirmar la historia a través de su criterio de
aceptación. Mediante los BehaviorDrivenDevelopment se pueden ejecutar
las pruebas sobre el userstory de acuerdo a los lineamientos de las
metodologías ágiles, las pruebas forman parte de esta fase del proyecto.
Ficha de UserStory
Fecha
09-10-2014
Sprint
N° 1
Peso
27
#Historia de
N° 1
Usuario
Historia de Usuario: Generar Reporte de Asignación
Como Asistente de Equipo
Quiero poder generar un reporte de la asignación de maquinarias a obras.
De modo que me permita asignar maquinarias generando el menor costo.
Criterio de Aceptación: Generar reporte de asignación
1. Cuando seleccione un Reporte de Simulación
Espero visualizar el formulario para ingresar los datos de obras
(dirección fechas), fases (fechas) y maquinarias.
134
2. Cuando seleccione el Simular
Espero visualizar una tabla que muestre con las máquinas
asignadas.
BehaviorDrivenDevelopment
#
Escenario
Reporte de simulación
Dado
Cuando
Que el asistente de Equipo Desea ingresar
seleccione simulación
los datos
Entonces
El sistema mostrará el formulario para
ingresar los datos de obras.
1
Simular
Que el asistente de Equipo
seleccione simular
2
135
Desea simular
El sistema mostrará en una tabla las obras
con las máquinas asignadas.
Anexo N° 13 Caso de prueba reporte de asignación
ALGORITMO PARA LA ASIGNACIÓN DE
MAQUINARIAS A OBRAS EN LA EMPRESA
CONSTRUCTORA ARAMSA CONTRATISTAS
GENERALES S.A.C
136
Caso de Prueba Reporte de Asignación
Descripción del caso de prueba
En este documento de desarrollo de software cubre el conjunto de
pruebas
realizadas sobre
el
userstory “Generar
Reporte
de
Asignación”.
Las pruebas realizadas son las siguientes:

Seleccionar Simulación

Seleccionar simular
Para realizar las pruebas partiremos desde la interfaz Simular.
Condición de ejecución
1.1.
Seleccionar resumen
Ingresar a la aplicación con el usuario Asistente de Equipo y
accedemos a la funcionalidad que nos permite visualizar formulario
para ingresar las datos de obra (Fecha de Inicio/Fin, dirección), fase
(Fecha de Inicio/Fin), Maquinarias (Fecha de uso Inicio/Fin).

Precondiciones: Debe estar actualizado la base maquinarias.

Resultados esperados: La aplicación debe mostrar maquinarias y
los campos que se necesita para simular

Postcondiciones: La aplicación permanece con las obras, fases,
maquinarias y fechas.
1.2.
Seleccionar Detalle
Ingresar a la aplicación con el usuario Asistente de Equipo y dar clic
en la simular unas vez cargada las obras, fases y maquinarias que se
van asignar.

Precondiciones: La base de obras, fases y tipo de maquina debe
estar cargada.

Resultados esperados: La aplicación debe mostrar en detalle las
maquinas asignadas.

Postcondiciones: La aplicación permanece con las maquinas
asignadas.
137
Procedimiento de Prueba
Paso
Seleccionar Resumen
Simular
Valores
Resultado Esperado
Resultado Obtenido
Muestra el formulario para ingresar obras,fases y
maquinarias.
OK
Muestra el detalle de obraas con las maquinas
asignadas.
OK
138